基于注意力机制的医学图像分类 chaotic 自监督学习
计算机视觉与模式识别
2026-05-07 v1
摘要
医学图像分类的深度学习模型通常能取得令人满意的效果，但通常依赖大量标注数据或来自 ImageNet 的标准迁移学习。自监督学习 (Self-Supervised Learning, SSL) 已然成为一种强大的替代方案，但诸如遮盖自编码器 (masked autoencoders, MAEs) 等常见方法可能通过随机遮盖破坏细粒度诊断特征。本文提出一种新颖的 SSL 预训练策略，即混沌去噪自编码器 (Chaotic Denoising Autoencoder, CDAE)。我们不采用遮盖，而是对输入图像施加混沌变换，要求自编码器重构原始图像。我们假设通过“逆转混沌”迫使编码器学习鲁棒的、领域特定的特征。此外，我们提出一种注意力融合机制，将 CDAE 训练得到的编码器特征与标准编码器的特征相结合，利用两者优势——即通用表征与特定领域表征。我们在两个公开医学数据集上进行评估：ISIC 2018 (皮肤瘤) 和 APTOS 2019 (糖尿病视网膜病变)。在 ISIC 2018 上，本文方法实现了 0.9221 的准确率和 0.8530 的 F1-macro 分数；在 APTOS 2019 上，实现了 0.8644 的准确率和 0.7433 的 F1-macro 分数，表明本方法有效。
引用
@article{arxiv.2605.04985,
title = {Attention-Based Chaotic Self-Supervision for Medical Image Classification},
author = {Joao Batista Florindo and Amanda Pontes de Oliveira Ornelas},
journal= {arXiv preprint arXiv:2605.04985},
year = {2026}
}