CVPR2017精彩论文解读：用于生物医学图像分析的精细调节卷积神经网络：主动性

本篇文章1913字，读完约5分钟

雷锋。(公开号码:雷锋。ai科技评论:尽管2017年cvpr已经结束，精彩论文的解读仍在继续。以下是怡园智能首席科学家刘凯在本次会议上发表的文章《用于生物医学图像分析的微调卷积神经网络:积极和渐进》的解释。

文章简介:

本文主要针对医学图像处理领域中缺少标注数据的问题，以及如何通过卷积神经网络的微调和主动学习来解决这一问题。近年来，利用有线电视新闻网进行生物医学图像分析越来越受到重视，但一个问题是缺乏大量的标注数据。与imagenet相比，医学图像的标注需要大量的专业背景知识。为了节省标注的成本和时间，本文提出了一种新的方法aift(主动增量微调)，将主动学习和迁移学习集成到一个框架中。Aift算法首先直接使用预训练从未标记数据中找到一些值得标记的样本，然后模型不断添加新的标记数据并保持微调。

aift方法用于计算机辅助诊断系统环境中。cad可以生成候选集U，所有这些都是未标记的数据。每个候选人都可以通过数据增强生成一系列补丁。因为这些补丁来自同一个候选样本，所以它们的标签与候选样本一致。

aift方法的主要创新如下:

连续微调

开始时，标注数据集l是空.我们取一个经过训练的cnn(比如alexnet)，让它从未标记的数据集U中选择B个候选集，找到一个医生来标记。这个新标记的候选集合将被放入标记数据集合L中，以连续递增地微调cnn，直到它合格为止。通过实验，发现连续精细、

通过主动学习选择候选样本

主动学习的关键是找到一个标准来判断候选样本是否值得标注。在当前的cnn中，候选样本生成的所有补丁应该具有相似的预测。因此，我们可以通过这个cnn来预测每个候选样本的每个斑块，然后计算斑块的熵和斑块之间的kl距离来测量这个候选样本。熵越高，它包含的信息就越多。kl距离越大，补丁之间的不一致性越大。因此，这两个指标越高，就越有可能优化当前的有线电视新闻网。对于每个矩阵，可以生成包含kl距离和面片熵的邻接矩阵r。

让少数服从多数来处理噪音

我们通常使用一些自动的数据增强方法来提高有线电视网络的性能，但是不可避免地要为一些候选样本生成一些困难的样本，并在数据集中注入一些噪声。因此，为了显著提高我们的方法的鲁棒性，根据当前的cnn预测，我们只为每个候选样本选择一部分面片来计算熵和多样性。首先，计算每个候选样本的所有斑块的平均预测概率。如果平均概率大于0.5，我们只选择概率最高的部分补丁，如果概率小于0.5，则选择概率最低的部分补丁，然后基于所选补丁构建得分矩阵r。

预测结果有不同的模式

计算每个候选样本的所有斑块的概率分布直方图。概率分布有几种模式:

1.斑块大多集中在0.5，这是高度不确定的。大多数主动学习算法都喜欢这个候选集。

2.优于A，预测值从0-1均匀分布，不确定性较高。因为所有的补丁都被同一个候选集增强了，所以理论上它们应该有相似的预测。这种类型的候选集有明显的潜力优化有线电视新闻网模型。

3.预测分布在两端聚集，这导致更高的多样性，但它可能与补丁的噪音有关，这是最不喜欢的主动学习的样本，因为它可能混淆有线电视新闻网微调时。

4.预测分布集中在一端(0或1)，这包含更高的确定性。这类数据的标记优先级应该降低，因为当前模型已经可以很好地预测它们。

5.有些斑块具有较高的预测确定性，有些斑块与异常值有关。这种候选集是有价值的，因为它可以顺利提高有线电视新闻网的性能。虽然它不能做出重大贡献，但它不会对当前的有线电视新闻网模式造成任何伤害。

应用创新:

上述方法已应用于结肠镜视频帧分类和肺栓塞检测，并取得了良好的效果。前者仅使用800个候选样本来实现最佳性能，并且只有5%的候选样本代表剩余的候选样本，因为连续视频帧通常是相似的。后者使用了1000个样本，达到了alexnet使用2200个随机样本进行微调的效果。

这项工作的主要优点如下:

1.从完全未标记的数据集开始，不需要初始种子标记数据。

2.通过不断的微调而不是重复的再培训来逐步提高学习者。

3.通过挖掘每个候选样本的面片一致性，选择值得标注的候选集合。

4.自动处理噪音

5.熵和kl距离仅针对每个候选集中的少量面片进行计算，这节省了计算。

综上所述，本文提出的方法可以显著减少标注工作量，指导选择需要标注的数据，同时减少数据增强带来的噪声影响。这个方向在医学图像处理领域有很大的价值，相信会得到越来越多的关注。

论文地址:openaccess。，/content _ cvpr _ 2017/papers/周_微调_交际_神经_ cvpr _ 2017 \u。

雷锋文章版权所有。严禁擅自转载。详情请参考转载说明。