高效医疗图像分析的统一表示

医学图像分析通常包括图像增强、检测、分割和分类等几个任务。这些任务通常是通过不同的机器学习方法来实现的，或者最近通过深度学习方法来实现。我们提出了一种新的基于多任务深度学习的方法——统一表示(U-Rep)，它可以用于同时执行多个医学图像分析任务。U-Rep是特定于模式的，并考虑了任务间的关系。所提出的U-Rep可以使用未标记数据或有限数量的标记数据进行训练。然后将训练好的U-Rep共享，以同时学习医学图像分析中的关键任务，如分割、分类和视觉评估。我们还表明，预处理操作，如降噪和图像增强，可以在构造U-Rep时学习。在两个医学图像数据集上的实验结果表明，U-Rep提高了泛化能力，减少了资源利用率和训练时间，同时避免了孤立地建立特定任务模型的不必要重复。我们相信，所提出的方法(U-Rep)将在医学图像分析领域开辟一条有前景的研究道路，特别是对于有未标记数据或有标记数据有限的任务。

https://arxiv.org/abs/2006.11223

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“RLMI” 可以获取《高效医疗图像分析的统一表示》专知下载链接索引

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“阅读原文”，了解使用专知，查看获取5000+AI主题知识资源