Cluster-Guided Semi-Supervised Domain Adaptation for Imbalanced Medical Image Classification

要約

半教師付きドメイン適応は、多くのラベルなしサンプルとターゲット ドメインからの少数のラベル付きサンプルを使用して、別の (ソース) ドメインの分類子を変更することにより、ターゲット ドメインの分類子を構築する手法です。
この論文では、医用画像分類タスクで一般的なクラスの不均衡な状況に対するロバスト性を備えた、半教師付きドメイン適応法を開発します。
堅牢性のために、高純度のクラスターを取得し、ドメイン適応のための表現学習でクラスターを利用するために、弱教師付きクラスタリング パイプラインを提案します。
提案された方法は、クラスが著しく不均衡な病理画像パッチを使用した実験で最先端のパフォーマンスを示しました。

要約(オリジナル)

Semi-supervised domain adaptation is a technique to build a classifier for a target domain by modifying a classifier in another (source) domain using many unlabeled samples and a small number of labeled samples from the target domain. In this paper, we develop a semi-supervised domain adaptation method, which has robustness to class-imbalanced situations, which are common in medical image classification tasks. For robustness, we propose a weakly-supervised clustering pipeline to obtain high-purity clusters and utilize the clusters in representation learning for domain adaptation. The proposed method showed state-of-the-art performance in the experiment using severely class-imbalanced pathological image patches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google