类不平衡的无监督和半监督的域调整为组织病理学图像

科学领域:

• 计算机科学 计算机科学
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 监督学习需要大量的注释数据,这往往是不可用的.
• 无监督,自我监督和半监督的域调整方法通过将知识从标记的源域转移到未标记的目标域来解决数据稀缺问题.
• 现有的域适应技术经常与现实世界数据集的类不平衡性质作斗争.

研究的目的:

• 提出一种新的领域适应方法,有效处理类不平衡的数据.
• 改进知识从标记源域到未标记目标域的转移.
• 在实际应用中提高域调整的性能,例如医疗图像分析.

主要方法:

• 利用焦点损失函数来解决源域中类不平衡的标记数据.
• 引入一种新的联合培训策略,将伪标签目标数据纳入培训过程.
• 开发一个领域适应模型,整合焦点损失和共同培训,以改善知识传递.

主要成果:

• 拟议的领域适应方法在将知识从源领域转移到目标领域方面表现出有效性.
• 聚焦损失的集成成功地减轻了源域中类不平衡的影响.
• 与伪标记数据的联合培训机制增强了模型适应目标领域的能力.
• 实验结果显示,域适应性能显著改善,前列腺癌图像分类为例.

结论:

• 新的域调整方法通过解决数据不平衡,有效地克服了现有方法的局限性.
• 拟议的方法提高了知识转移能力,从而提高了目标领域的绩效.
• 这项工作为域调整技术提供了宝贵的贡献,特别是在医学成像和其他领域的不平衡数据集.