BarlowTwins-CXR：利用跨域自监督学习增强异构数据中的胸部X光异常定位
计算机视觉与模式识别
2024-02-12 v1
摘要
背景：基于胸部X光图像的异常定位在诊断各种疾病中至关重要，但由于复杂的影像解读和放射科医生日益增加的工作量，面临着重大临床挑战。尽管深度学习的最新进展提供了有前景的解决方案，但跨域迁移学习中仍存在严重的域不一致问题，这阻碍了诊断过程的效率和准确性。本研究旨在通过开发一种名为“BarlowTwins-CXR”的自监督学习策略，解决域不一致问题并提升异构胸部X光图像分析的自动异常定位性能。方法：我们使用了两个公开的数据集：NIH Chest X-ray Dataset 和 VinDr-CXR。BarlowTwins-CXR 方法采用两阶段训练过程。首先，在 NIH 数据集上使用调整后的 Barlow Twins 算法进行自监督预训练，骨干网络为在 ImageNet 上预训练的 Resnet50。随后，在 VinDr-CXR 数据集上使用带有 Feature Pyramid Network (FPN) 的 Faster R-CNN 进行监督微调。结果：我们的实验表明，BarlowTwins-CXR 显著提升了模型性能。与传统 ImageNet 预训练模型相比，该方法在 mAP50 准确率上提高了 3%。此外，Ablation CAM 方法显示胸部异常定位的精度有所提高。结论：BarlowTwins-CXR 显著提升了基于胸部X光图像的异常定位的效率和准确性，优于传统迁移学习方法，并有效克服了跨域场景中的域不一致问题。我们的实验结果证明了利用自监督学习来提升在异构数据量有限的医疗场景下模型泛化能力的潜力。
关键词
引用
@article{arxiv.2402.06499,
title = {BarlowTwins-CXR : Enhancing Chest X-Ray abnormality localization in heterogeneous data with cross-domain self-supervised learning},
author = {Haoyue Sheng and Linrui Ma and Jean-Francois Samson and Dianbo Liu},
journal= {arXiv preprint arXiv:2402.06499},
year = {2024}
}
备注
15 pages, 7 figures, 3 tables