面向临床的多级对比学习方法用于低质量医学图像疾病诊断
计算机视觉与模式识别
2024-04-09 v1
摘要
表示学习提供了一种在潜在空间中阐明独特特征并解释深度模型的途径。然而，医学图像中病灶分布的随机性和低质量因素的复杂性给模型提取关键病灶特征带来了巨大挑战。基于对比学习（CL）的疾病诊断方法在病灶特征表示方面显示出显著优势。然而，CL的有效性高度依赖于正负样本对的质量。在这项工作中，我们提出了一种面向临床的多级对比学习框架，旨在增强模型提取病灶特征以及区分病灶与低质量因素的能力，从而能够从低质量医学图像中进行更准确的疾病诊断。具体而言，我们首先构建多级正负样本对，通过整合不同级别和质量的医学图像信息，增强模型对病灶特征的综合识别能力。此外，为了提高所学病灶嵌入的质量，我们引入了一种基于自步学习的动态难样本挖掘方法。所提出的对比学习框架在两个公开医学图像数据集EyeQ和Chest X-ray上进行了验证，与其他最先进的疾病诊断方法相比，表现出优越的性能。
引用
@article{arxiv.2404.04887,
title = {A Clinical-oriented Multi-level Contrastive Learning Method for Disease Diagnosis in Low-quality Medical Images},
author = {Qingshan Hou and Shuai Cheng and Peng Cao and Jinzhu Yang and Xiaoli Liu and Osmar R. Zaiane and Yih Chung Tham},
journal= {arXiv preprint arXiv:2404.04887},
year = {2024}
}