用于医学图像分类的无监督深度迁移特征学习
计算机视觉与模式识别
2019-03-27 v2
摘要
基于监督深度学习的图像分类的准确性与鲁棒性依赖于大规模标注训练数据的可用性。然而，由于人工标注的复杂性，可用标注数据匮乏。为克服该问题，一种流行的方法是跨不同域使用可迁移知识：1）使用在大规模通用图像（即迁移学习得到）上预训练的通用特征提取器，但其不适合捕捉医学图像的特征；或 2）用相对较少数量的标注图像微调通用知识。我们的目标是通过使用一种新的分层无监督特征提取器（在预训练卷积神经网络之上放置卷积自编码器）来减少对标注训练数据的依赖。我们的方法将来自预训练域的丰富通用图像特征约束到来自未标注医学图像域的局部图像特征的精细表示。我们的方法比迁移学习方法具有更高的分类准确率，并与最先进的监督微调方法具有竞争力。
引用
@article{arxiv.1903.06342,
title = {Unsupervised Deep Transfer Feature Learning for Medical Image Classification},
author = {Euijoon Ahn and Ashnil Kumar and Dagan Feng and Michael Fulham and Jinman Kim},
journal= {arXiv preprint arXiv:1903.06342},
year = {2019}
}
备注
4 pages, 1 figure, 3 tables, Accepted (Oral) as IEEE International Symposium on Biomedical Imaging 2019