CAiD：医学影像自监督学习中上下文感知的实例判别
图像与视频处理
2022-04-18 v1 计算机视觉与模式识别
摘要
近来，自监督实例判别方法在从未经标注的摄影图像中学习视觉表示方面取得了显著成功。然而，鉴于摄影图像与医学图像之间的显著差异，基于实例的目标（聚焦于学习图像中最具判别性的全局特征，如自行车中的车轮）在医学影像中的功效仍属未知。我们的初步分析表明，医学图像在解剖结构方面的高全局相似性阻碍了实例判别方法捕捉一组 distinct 特征，对其在医学下游任务上的性能产生负面影响。为缓解此限制，我们开发了一个简单而有效的自监督框架，称为上下文感知实例判别（CAiD）。CAiD旨在通过从未经标注的医学图像的多样化局部上下文中编码更精细且更具判别性的信息来改进实例判别学习。我们开展系统分析，从三个角度考察所学特征的效用：（i）泛化性与可迁移性，（ii）嵌入空间中的可分性，以及（iii）可复用性。我们大量实验表明，CAiD（1）丰富了现有实例判别方法学到的表示；（2）通过充分捕获单个医学图像中更精细的上下文信息提供更具判别性的特征；以及（3）相较于标准实例判别方法提升了低/中层特征的可复用性。作为开放科学，所有代码与预训练模型均可在我们的GitHub页面获取：https://github.com/JLiangLab/CAiD。
引用
@article{arxiv.2204.07344,
title = {CAiD: Context-Aware Instance Discrimination for Self-supervised Learning in Medical Imaging},
author = {Mohammad Reza Hosseinzadeh Taher and Fatemeh Haghighi and Michael B. Gotway and Jianming Liang},
journal= {arXiv preprint arXiv:2204.07344},
year = {2022}
}
备注
Accepted at MIDL 2022 [main conference]