用于生物标志物检测的临床对比学习
计算机视觉与模式识别
2022-11-10 v1 机器学习
图像与视频处理
摘要
本文提出了一种基于可从临床数据中提取的标签的医学图像对比学习正负样本集选择新策略。在医学领域，存在多种数据标签，在诊断和治疗过程的不同阶段服务于不同目的。临床标签和生物标志物标签就是两个例子。一般而言，临床标签更容易大量获取，因为它们在常规临床诊疗中定期收集，而生物标志物标签需要专家分析和解读才能获得。在眼科学领域内，先前工作已表明临床数值与光学相干断层扫描（OCT）扫描中显现的生物标志物结构存在相关性。我们利用临床与生物标志物数据之间的这种关系来提升生物标志物分类性能。这是通过利用更大量的临床数据作为无生物标志物标签数据的伪标签，从而为以有监督对比损失训练骨干网络选择正负样本来实现的。以此方式，骨干网络学习到与可用临床数据分布对齐的表示空间。之后，我们用少量的生物标志物标注数据以交叉熵损失对该方式训练的网路进行微调，以便直接从 OCT 扫描中分类这些关键疾病指标。我们的方法在单个生物标志物检测准确率上比最先进的自监督方法高出多达 5%。
引用
@article{arxiv.2211.05092,
title = {Clinical Contrastive Learning for Biomarker Detection},
author = {Kiran Kokilepersaud and Mohit Prabhushankar and Ghassan AlRegib},
journal= {arXiv preprint arXiv:2211.05092},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2209.11195