3DTINC：用于从纵向 OCT 预测疾病进展的时间等变非对比学习
计算机视觉与模式识别
2024-05-14 v2 机器学习
摘要
自监督学习 (SSL) 已成为提高深度学习模型效率和有效性的强大技术。对比方法是一类突出的 SSL 方法，它们提取图像两个增强视图的相似表示，同时在表示空间中将其他视图作为负样本推开。然而，最先进的对比方法需要大批量大小和为自然图像设计的增强，这对于 3D 医学图像来说是不切实际的。为了解决这些局限性，我们提出了一种新的纵向 SSL 方法 3DTINC，基于非对比学习。它旨在学习 3D 光学相干断层扫描 (OCT) 体积的扰动不变特征，使用了专门为 OCT 设计的增强。我们引入了一种新的非对比相似度损失项，该损失项从不同时间获取的患者内部扫描中隐式学习时间信息。我们的实验表明，这种时间信息对于预测视网膜疾病（如年龄相关性黄斑变性 (AMD)）的进展至关重要。在使用 3DTINC 预训练后，我们在两个大规模纵向视网膜 OCT 数据集上评估了学习到的表示和预后模型，预测了六个月内转化为湿性 AMD 的情况。我们的结果表明，我们贡献的每个组成部分对于学习有意义的表示以从纵向体积扫描中预测疾病进展都是至关重要的。
引用
@article{arxiv.2312.16980,
title = {3DTINC: Time-Equivariant Non-Contrastive Learning for Predicting Disease Progression from Longitudinal OCTs},
author = {Taha Emre and Arunava Chakravarty and Antoine Rivail and Dmitrii Lachinov and Oliver Leingang and Sophie Riedl and Julia Mai and Hendrik P. N. Scholl and Sobha Sivaprasad and Daniel Rueckert and Andrew Lotery and Ursula Schmidt-Erfurth and Hrvoje Bogunović},
journal= {arXiv preprint arXiv:2312.16980},
year = {2024}
}
备注
Published in IEEE TMI