Interpretable Saliency Maps And Self-Supervised Learning For Generalized Zero Shot Medical Image Classification

要約

多くの現実世界の医用画像分類設定では、考えられるすべての疾患クラスのサンプルにアクセスすることはできませんが、堅牢なシステムは新しいテスト データの認識において高いパフォーマンスを発揮することが期待されています。
自己教師あり学習 (SSL) を使用する一般化ゼロ ショット学習 (GZSL) メソッドを提案します。1) 異なる疾患クラスのアンカー ベクトルを選択します。
2) 特徴ジェネレーターのトレーニング。
私たちのアプローチは、自然画像には利用できるが医用画像には利用できないクラス属性ベクトルを必要としません。
SSL は、アンカー ベクトルが各クラスを代表するものであることを保証します。
SSL は、目に見えないクラスの合成機能を生成するためにも使用されます。
よりシンプルなアーキテクチャを使用することで、私たちの方法は自然画像向けの最先端の SSL ベースの GZSL 方法と一致し、医療画像向けのすべての方法よりも優れています。
私たちの方法は、クラス属性ベクトルが自然画像で利用可能な場合に、クラス属性ベクトルに対応するのに十分適応可能です。

要約(オリジナル)

In many real world medical image classification settings we do not have access to samples of all possible disease classes, while a robust system is expected to give high performance in recognizing novel test data. We propose a generalized zero shot learning (GZSL) method that uses self supervised learning (SSL) for: 1) selecting anchor vectors of different disease classes; and 2) training a feature generator. Our approach does not require class attribute vectors which are available for natural images but not for medical images. SSL ensures that the anchor vectors are representative of each class. SSL is also used to generate synthetic features of unseen classes. Using a simpler architecture, our method matches a state of the art SSL based GZSL method for natural images and outperforms all methods for medical images. Our method is adaptable enough to accommodate class attribute vectors when they are available for natural images.

arxiv情報

著者 Dwarikanath Mahapatra
発行日 2022-08-29 07:04:36+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.LG, eess.IV パーマリンク