[Nat. Biomed. Eng. | 论文简读] 用于分析有损耗和域偏移的医学图像数据集的自适应对抗神经网络

简读分享 | 陈兴民 编辑 | 王宇哲

论文题目

Adaptive adversarial neural networks for the analysis of lossy and domain-shifted datasets of medical images

论文摘要

在基于图像的医学诊断的机器学习中，监督卷积神经网络通常使用由高分辨率成像系统获得的大型和专业注释数据集进行训练。此外，当应用到具有不同分布的数据集时，网络的性能可能会大幅下降。本文展示了对抗学习可以用于开发高性能的网络训练的无注释的不同图像质量的医学图像。具体来说，作者使用廉价的便携式光学系统获得的低质量图像来训练网络，用于人类胚胎的评估、人类精子形态的量化和血液中疟疾感染的诊断，并表明网络在不同的数据分布中表现良好。对抗性学习可用于来自未见过的领域转移数据集的无标签数据，以使预训练的监督网络适应新的分布，即使在无法获得原始分布的数据时也是如此。自适应对抗网络可以扩大使用验证过的神经网络模型来评估从不同质量的多个成像系统收集的数据，而不影响网络中存储的知识。

论文链接

https://www.nature.com/articles/s41551-021-00733-w