阿尔弗雷多:主动学习与 FeatuRe disEntangelement 和 DOmain 主要适应医疗图像分类

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 计算机视觉 计算机视觉

背景情况:

• 深度学习模型在训练和测试数据之间的分配转移方面遇到了困难.
• 域调整方法 (监督和无监督) 旨在减轻这种泛化差距.
• 积极学习通过选择信息样本进行注释来优化模型性能,减少数据需求.

研究的目的:

• 提出ALFREDO (主动学习与FeatuRe disEntangelement和DOmain适应),一个新的管道主动学习在域名转换下.
• 开发一种特征解方法,将特定域和特定任务的图像特征分开.
• 引入成本函数,用于识别域转移场景中的信息样本.

主要方法:

• 阿尔弗雷多将图像特征分解为特定领域 (例如扫描器变异) 和特定任务 (例如分类) 的组件.
• 定义了新的成本函数,以识别信息样本,这些样本对于在域移动下提高模型稳定性至关重要.
• 该方法在医学图像分类任务上进行了评估,包括组织病理学和胸部X射线数据集.

主要成果:

• 与现有的域调整技术相比,ALFREDO展示了最先进的性能.
• 拟议的方法取得了优异的结果与其他主动域适应方法相比.
• 特征解有效地识别了域不变和域特定特征.

结论:

• 阿尔弗雷多提供了一个强大的解决方案,以积极学习在存在的领域转移.
• 该方法提高了模型的概括性,稳定性,并降低了医学成像中的注释成本.
• 特性解是域适应有效样本选择的关键组成部分.