Many clinical studies require the follow-up of patients over time. This is
challenging: apart from frequently observed drop-out, there are often also
organizational and financial challenges, which can lead to red
本文研究表明，使用大规模数据集训练的网络之所以具有良好的泛化能力，并非仅仅因为有众多的训练示例，还因为类别的多样性鼓励了富有表现力特征的学习。当数据匮乏时，使用额外的标签进行学习是否仍然具有优势？本文针对乳腺 X 光图像中的肿瘤分割任务展开研究。我们发现，在低数据设置下，通过将专家注释与非专家注释者提供的看似无关乎的标签相结合，将任务变为多分类问题，可以提高性能。我们揭示了这些增益在专家数据较少时增加的情况，并通过进一步的研究揭示了几个有趣的属性。我们在 CSAW-S 上证明了我们的发现，并在两个公共数据集上进行了确认。