Chaos-SSL：基于注意力的带混沌变换自监督学习框架用于医学图像分类
计算机视觉与模式识别
2026-05-27 v1
摘要
自监督学习（SSL）已成为缓解医学图像分析中大规模标注数据依赖瓶颈的强大范式。然而，依赖简单几何和颜色增广的标准 SSL 方法可能无法捕获分类细微病灶所必需的细粒度、复杂纹理特征。本文引入 Chaos-SSL，一种用于医学图像分类的新型双阶段框架。在第一个阶段，我们提出一种新的自监督预训练策略，利用 1D 混沌映射（Logistic、Tent 和 Sine）作为复杂非线性数据增广，用于对比学习。我们假设这些混沌变换创建更“困难”且更具语义丰富性的视图，迫使网络学习细粒度医学纹理的鲁健表征。在第二个阶段，我们引入基于注意力的融合模型，动态组合 Chaos-SSL 模型从 Chaos-SSL 获得的专门特征与较大 ImageNet 预训练模型的通用特征。我们在两个公共数据集上对我们的方法进行了验证：ISIC 2018（皮肤瘤）和 APTOS 2019（糖尿病视网膜病变）。我们的结果表明，使用 Tent 图进行 30 个 epoch 预训练的 Chaos-SSL 模型，随后进行注意力融合，可实现与最先进方法完全相当的性能，在 ISIC 2018 上达到 0.9261 的准确率，在 APTOS 2019 上达到 0.8726 的准确率。这显著优于现有的 SSL 方法，包括多个最近方法。
引用
@article{arxiv.2605.27146,
title = {Chaos-SSL: An Attention-Based Self-Supervised Learning Framework with Chaotic Transformation for Medical Image Classification},
author = {Joao Batista Florindo},
journal= {arXiv preprint arXiv:2605.27146},
year = {2026}
}