用于阿尔茨海默病检测的脑感知替换监督对比学习框架
计算机视觉与模式识别
2022-07-22 v2 机器学习
摘要
我们提出一种利用脑MRI进行阿尔茨海默病（AD）检测的 novel 框架。该框架始于一种称为脑感知替换（BAR）的数据增强方法，其利用标准脑分区，从随机选取的MRI中替换锚点MRI中医学相关的3D脑区以创建合成样本。真实“硬”标签也依据替换比例作线性混合，以生成“软”标签。与其他基于混合的方法（如CutMix）相比，BAR产生种类更多、外观逼真且具有更高局部可变性的合成MRI。在BAR之上，我们提出使用支持软标签的监督对比损失，旨在学习反映合成MRI混合程度的表征相对相似性（利用我们的软标签）。如此，我们并未完全耗尽硬标签的熵容量，因为我们仅用其通过BAR创建软标签与合成MRI。我们展示，使用我们框架预训练的模型可进一步用交叉熵损失及用于创建合成样本的硬标签微调。我们在二分类AD检测任务中，针对从头监督训练及最先进自监督训练加微调方法验证了框架性能。随后我们将BAR集成入框架，对比另一种基于混合的方法CutMix，评估BAR的独立性能。我们展示我们的框架在AD检测任务的精确率与召回率上均取得更优结果。
引用
@article{arxiv.2207.04574,
title = {Brain-Aware Replacements for Supervised Contrastive Learning in Detection of Alzheimer's Disease},
author = {Mehmet Saygın Seyfioğlu and Zixuan Liu and Pranav Kamath and Sadjyot Gangolli and Sheng Wang and Thomas Grabowski and Linda Shapiro},
journal= {arXiv preprint arXiv:2207.04574},
year = {2022}
}