Transfer Learning via Parameter Regularization for Medical Image Segmentation

פרסום מחקרי: פרק בספר / בדוח / בכנספרסום בספר כנסביקורת עמיתים

תקציר

Transfer learning is a popular strategy to overcome the difficulties posed by limited training data. It uses the parameters of the source task to initialize the parameters of the target task. In this study, we cast transfer learning as a regularization procedure. In addition to initialization, we incorporate the source task parameters into the cost function used to train the target task. We regularize the learned parameters by penalizing them if they deviate too much from their initial values. We demonstrate the power of the proposed transfer learning scheme on the task of COVID-19 opacity https://www.overleaf.com/projectsegmentation. Specifically, we show that it can improve the segmentation of coronavirus lesions in chest CT scans.

שפה מקוריתאנגלית
כותר פרסום המארח29th European Signal Processing Conference, EUSIPCO 2021 - Proceedings
עמודים985-989
מספר עמודים5
מסת"ב (אלקטרוני)9789082797060
מזהי עצם דיגיטלי (DOIs)
סטטוס פרסוםפורסם - 2021
אירוע29th European Signal Processing Conference, EUSIPCO 2021 - Dublin, אירלנד
משך הזמן: 23 אוג׳ 202127 אוג׳ 2021

סדרות פרסומים

שםEuropean Signal Processing Conference
כרך2021-August

כנס

כנס29th European Signal Processing Conference, EUSIPCO 2021
מדינה/אזוראירלנד
עירDublin
תקופה23/08/2127/08/21

ASJC Scopus subject areas

  • ???subjectarea.asjc.1700.1711???
  • ???subjectarea.asjc.2200.2208???

טביעת אצבע

להלן מוצגים תחומי המחקר של הפרסום 'Transfer Learning via Parameter Regularization for Medical Image Segmentation'. יחד הם יוצרים טביעת אצבע ייחודית.

פורמט ציטוט ביבליוגרפי