用于计算机辅助疾病评估中图像回归的自适应对比
计算机视觉与模式识别
2021-12-23 v1
摘要
用于医疗应用的图像回归任务，如骨密度（BMD）估计与左室射血分数（LVEF）预测，在计算机辅助疾病评估中起着重要作用。大多数深度回归方法用单一回归损失函数（如 MSE 或 L1 损失）训练神经网络。在本文中，我们提出首个用于深度图像回归的对比学习框架，即 AdaCon，其由通过新颖自适应边界对比损失的特征学习分支与回归预测分支组成。我们的方法将标签距离关系作为所学特征表示的一部分，从而在下游回归任务中取得更好性能。此外，它可用作即插即用模块以提升现有回归方法的性能。我们在两个医学图像回归任务上展示了 AdaCon 的有效性，即从 X 射线图像的骨密度估计与从超声心动图视频的左室射血分数预测。相比最先进的 BMD 估计与 LVEF 预测方法，AdaCon 在 MAE 上分别带来 3.3% 与 5.9% 的相对提升。
引用
@article{arxiv.2112.11700,
title = {Adaptive Contrast for Image Regression in Computer-Aided Disease Assessment},
author = {Weihang Dai and Xiaomeng Li and Wan Hang Keith Chiu and Michael D. Kuo and Kwang-Ting Cheng},
journal= {arXiv preprint arXiv:2112.11700},
year = {2021}
}
备注
Accepted in IEEE Transactions on Medical Imaging