基于课程学习的无监督医学图像配准
计算机视觉与模式识别
2021-06-09 v2
摘要
我们探索了不同的课程学习方法，用于训练卷积神经网络完成可形变成对 3D 医学图像配准任务。据我们所知，我们首次尝试通过课程学习训练医学图像配准模型来提升性能，即从早期训练阶段的简单训练设置开始，逐步增加设置的复杂度。一方面，我们考虑了两种已有的课程学习方法，即课程丢弃（curriculum dropout）和通过平滑的课程学习（curriculum by smoothing）。另一方面，我们提出了一种新颖且简单的实现课程学习策略，即在开始时使用故意模糊的图像，然后在后期训练阶段逐渐过渡到更清晰的图像。我们使用一个底层最先进的深度学习模型进行的实验表明，与常规训练相比，课程学习可以带来更优的结果。此外，我们表明在比较的课程学习方法中，通过输入模糊实现课程学习具有最佳的精度与速度权衡。
引用
@article{arxiv.2102.10438,
title = {Unsupervised Medical Image Alignment with Curriculum Learning},
author = {Mihail Burduja and Radu Tudor Ionescu},
journal= {arXiv preprint arXiv:2102.10438},
year = {2021}
}
备注
Accepted at ICIP 2021