用于元训练医学图像分类器的无监督任务设计
计算机视觉与模式识别
2019-07-19 v1
摘要
元训练（meta-training）已被经验证明是医学图像分类器（即使用小训练集建模的分类器）少样本学习最有效的预训练方法。然而，元训练的有效性依赖于可获得合理数量的手动设计的分类任务，这类任务获取成本高，因此很少可用。在本文中，我们提出一种新方法，用于无监督地设计大量分类任务以元训练医学图像分类器。我们在一个乳腺动态对比增强磁共振成像（DCE-MRI）数据集上评估我们的方法，该数据集已被用于基准测试医学图像分类器的少样本训练方法。我们的结果表明，所提出的用于元训练医学图像分类器的无监督任务设计构建了一个预训练模型，在微调后产生的分类结果优于其他无监督和有监督预训练方法，并且相对于依赖手动设计分类任务的元训练具有竞争性结果。
引用
@article{arxiv.1907.07816,
title = {Unsupervised Task Design to Meta-Train Medical Image Classifiers},
author = {Gabriel Maicas and Cuong Nguyen and Farbod Motlagh and Jacinto C. Nascimento and Gustavo Carneiro},
journal= {arXiv preprint arXiv:1907.07816},
year = {2019}
}