用于OCT生物标志物分类的临床标签对比学习
计算机视觉与模式识别
2023-05-25 v1
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，存在多种用于数据不同目的、在诊断和治疗过程不同阶段服务的标签。临床标签和生物标志物标签是两个例子。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。在眼科领域，先前工作表明临床数值与光学相干断层扫描（OCT）中显现的生物标志物结构存在相关性。我们利用这一关系，将临床数据作为无生物标志物标签数据的伪标签，以选择正负样本来训练具有监督对比损失的主干网络。如此，主干网络学习到与可用临床数据分布对齐的表示空间。之后，我们用较少量的生物标志物标签数据以交叉熵损失微调以此方式训练的网络，从而直接从 OCT 扫描中分类这些关键疾病指标。我们还扩展了该概念，提出一种使用临床对比损失线性组合的方法。我们在具有不同粒度生物标志物的新设定下，将方法与最先进的自监督方法进行比较。我们显示总生物标志物检测 AUROC 提升多达 5%。
引用
@article{arxiv.2305.15154,
title = {Clinically Labeled Contrastive Learning for OCT Biomarker Classification},
author = {Kiran Kokilepersaud and Stephanie Trejo Corona and Mohit Prabhushankar and Ghassan AlRegib and Charles Wykoff},
journal= {arXiv preprint arXiv:2305.15154},
year = {2023}
}
备注
Accepted in IEEE Journal of Biomedical and Health Informatics. arXiv admin note: text overlap with arXiv:2211.05092