利用大规模放射学图像数据库通过循环深度伪任务优化的无监督类别发现
计算机视觉与模式识别
2016-03-28 v1
摘要
在大规模放射学图像数据库（来自61,845名唯一患者的215,786张关键图像）上获取语义标签是训练高效深度卷积神经网络（CNN）模型用于图像识别的先决条件却也是瓶颈。然而，由于非临床训练人员难以完成医学标注任务，传统的图像标签收集方法（如谷歌搜索加众包）不适用。这类图像标注任务即使对放射科医生也非平凡，因为存在不确定性和可能的显著观察者间差异或不一致。本文提出一种循环深度伪任务优化过程，用于自动发现视觉一致且临床语义（概念）簇的类别。我们的系统可由特定领域（在放射学图像上训练且由文本报告导出标签的CNN）或通用（基于ImageNet）CNN模型初始化。之后，利用一系列伪任务通过循环深度图像特征聚类（精炼图像标签）和使用新标签的深度CNN训练/分类（获得更具任务代表性的深度特征）。我们的方法概念简单，基于假设“更好标签导致更好训练的CNN模型，进而反馈更有效深度图像特征以促进更有意义聚类/标签”的收敛。我们经验性验证了收敛并展示了有前景的定量和定性结果。发现了比先前工作质量显著更高的类别标签。这使得进一步研究给定大规模放射学图像数据库的层次语义本质成为可能。
引用
@article{arxiv.1603.07965,
title = {Unsupervised Category Discovery via Looped Deep Pseudo-Task Optimization Using a Large Scale Radiology Image Database},
author = {Xiaosong Wang and Le Lu and Hoo-chang Shin and Lauren Kim and Isabella Nogues and Jianhua Yao and Ronald Summers},
journal= {arXiv preprint arXiv:1603.07965},
year = {2016}
}