面向生物医学显微图像增强识别的基于知识自监督预训练学习框架
计算机视觉与模式识别
2023-01-13 v2 人工智能
摘要
自监督预训练已成为建立可靠神经网络以自动识别海量生物医学显微图像的首选方案，这类图像通常无标注、无语义且质量无保证。需注意该范式仍处于起步阶段，并受限于密切相关的开放问题：1) 如何从样本多样性低的未标注生物医学显微图像中以无监督方式学习鲁棒表征？2) 如何获得高质量分割所需的最显著表征？针对这些问题，本研究提出一种基于知识的学习框架（TOWER）以面向生物医学显微图像的增强识别，该框架通过协同对比学习与生成学习方法分三阶段工作：1) 样本空间多样化：启用重建代理任务，嵌入突出上下文的先验知识以多样化扩展后的样本空间；2) 增强表征学习：信息性噪声对比估计损失正则化编码器，以增强无标注图像的表征学习；3) 关联优化：通过代理任务的图像恢复关联预训练编码器与解码器的优化操作，以满足语义分割需求。已在公开生物医学显微图像数据集上对比最先进方法（如 SimCLR 与 BYOL）进行实验，结果表明：TOWER 在所有自监督方法中 statistically 占优，相较 SimCLR 取得 1.38 个百分点的 Dice 提升。TOWER 在多模态医学图像分析中亦有潜力，并支持标签高效的半监督学习，例如在病理分类中将标注成本降低多达 99%。
引用
@article{arxiv.2211.14715,
title = {A Knowledge-based Learning Framework for Self-supervised Pre-training Towards Enhanced Recognition of Biomedical Microscopy Images},
author = {Wei Chen and Chen Li and Dan Chen and Xin Luo},
journal= {arXiv preprint arXiv:2211.14715},
year = {2023}
}
备注
This is the revised version, correcting clerical typos and mistakes in the original submission, optimizing the statements, and adjusting the structural layout. 18 pages, 11 figures, 5 tables