基于 K-means 与深度卷积神经网络集成的无监督特征学习用于医学图像分类
计算机视觉与模式识别
2019-06-11 v1
摘要
使用有监督深度学习的医学图像分析仍然存在问题，因为深度学习方法依赖大量标注训练数据。尽管医学成像数据存储库持续扩展，但标注数据的数量并未相应增加。因此，我们提出一种新的无监督特征学习方法，其学习特征表示，进而利用不同卷积神经网络（CNNs）的集成与 K-means 聚类来区分不相似的医学图像。它以端到端方式联合学习特征表示与聚类分配。我们在一个公共医学数据集上测试了我们的方法，并显示其准确率优于最先进的无监督特征学习方法，且与最先进的有监督 CNNs 相当。我们的发现表明，我们的方法可用于解决医学成像存储库中大量未标注数据的问题。
引用
@article{arxiv.1906.03359,
title = {Unsupervised Feature Learning with K-means and An Ensemble of Deep Convolutional Neural Networks for Medical Image Classification},
author = {Euijoon Ahn and Ashnil Kumar and Dagan Feng and Michael Fulham and Jinman Kim},
journal= {arXiv preprint arXiv:1906.03359},
year = {2019}
}
备注
8 pages