大型图像数据集的有限可用性是在医学中开发准确宽大的机器学习方法的主要问题。数据量的限制主要是由于使用不同的采集协议，不同的硬件和数据隐私。同时，培训小型数据集的分类模型会导致模型的较差质量差。为了克服这个问题，通常使用不同出处的各种图像数据集的组合，例如，多站点研究。然而，如果附加数据集不包括任务的所有类别，则可以将分类模型的学习偏置到设备或获取地点。磁共振（MR）图像特别是磁共振（MR）图像的情况，其中不同的MR扫描仪引入限制模型性能的偏差。在本文中，我们提出了一种新颖的方法，该方法学习忽略图像中存在的扫描仪相关的特征，同时学习与分类任务相关的功能。我们专注于真实世界的情景，只有一个小型数据集提供所有类的图像。我们通过对潜伏空间引入特定的额外限制来利用这种情况，这引起了对疾病相关而非扫描仪的特征的关注。我们的方法学会在多站点MRI数据集上忽略优于艺术域的最新域适应方法，在多发性硬化患者和健康受试者之间的分类任务上。
translated by 谷歌翻译