Brain Hematoma Marker Recognition Using Multitask Learning: SwinTransformer and Swin-Unet

要約

このペーパーでは、分類およびセマンティックセグメンテーションのためにトランスを使用したマルチタスク学習であるMTL-Swin-Unetメソッドを提案します。
偽りの相関の問題については、この方法により、他の2つの画像表現で画像表現を強化できます。セマンティックセグメンテーションによって得られた表現と画像再構成によって得られた表現です。
私たちの実験では、テストデータに同じ患者からのスライスが含まれていた場合、提案された方法は他の分類器よりもf値測定で上回りました（共変量シフトなし）。
同様に、テストデータに同じ患者からのスライスが含まれていなかった場合（共変量シフト設定）、提案された方法はAUC測定で優れています。

要約(オリジナル)

This paper proposes a method MTL-Swin-Unet which is multi-task learning using transformers for classification and semantic segmentation. For spurious-correlation problems, this method allows us to enhance the image representation with two other image representations: representation obtained by semantic segmentation and representation obtained by image reconstruction. In our experiments, the proposed method outperformed in F-value measure than other classifiers when the test data included slices from the same patient (no covariate shift). Similarly, when the test data did not include slices from the same patient (covariate shift setting), the proposed method outperformed in AUC measure.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google