一种受临床启发的自监督方法用于 CT 肝脏图像基于内容的图像检索
计算机视觉与模式识别
2022-07-12 v1 机器学习
摘要
基于深度学习的 CT 肝脏图像基于内容的图像检索(CBIR)是一个活跃的研究领域，但存在一些关键局限。首先，它们严重依赖标注数据，而获取这些数据具有挑战性且成本高昂。其次，它们缺乏透明性与可解释性，限制了深度 CBIR 系统的可信度。我们通过以下方式解决这些局限：(1) 提出一种将领域知识融入训练过程的自监督学习框架；(2) 提供 CT 肝脏图像 CBIR 背景下首个表示学习可解释性分析。结果表明，在多个指标上相较于标准自监督方法性能有所提升，且跨数据集的泛化能力增强。此外，我们进行了 CBIR 背景下首个表示学习可解释性分析，揭示了对特征提取过程的新见解。最后，我们开展了一项交叉比对 CBIR 的案例研究，证明了所提框架的可用性。我们相信所提框架可在构建能够成功利用无标注数据的可信深度 CBIR 系统中发挥重要作用。
引用
@article{arxiv.2207.04812,
title = {A clinically motivated self-supervised approach for content-based image retrieval of CT liver images},
author = {Kristoffer Knutsen Wickstrøm and Eirik Agnalt Østmo and Keyur Radiya and Karl Øyvind Mikalsen and Michael Christian Kampffmeyer and Robert Jenssen},
journal= {arXiv preprint arXiv:2207.04812},
year = {2022}
}
备注
Code: https://github.com/Wickstrom/clinical-self-supervised-CBIR-ct-liver