CoBooM：面向医学图像表示学习的代码簇引导的引导策略
计算机视觉与模式识别
2024-08-09 v1
摘要
自监督学习 (SSL) 已成为医学图像分析的有前景的范式, 通过利用未标注数据来实现. 尽管具有潜力, 现有的 SSL 方法忽视了医学图像中固有的高度解剖相似性. 这使得 SSL 方法在持续地捕获医学图像中多样化语义内容方面具有挑战. 本工作引入一种新颖且通用的解决方案, 通过在 SSL 中集成代码簇来隐式地利用解剖相似性. 代码簇作为视觉模式的简洁且富有信息的词典, 不仅有助于捕捉细微的解剖细节, 也促进了创建稳健且通用的特征表示. 在此背景下, 我们提出 CoBooM, 一个通过集成连续与离散表示的自监督医学图像学习框架. 连续组件确保保留细粒度细节, 而离散方面则通过结构化的嵌入空间促进粗粒度特征提取. 为了理解 CoBooM 的有效性, 我们对各种医学数据集进行了全面评估, 包括胸部 X 光片和眼底图像. 实验结果揭示, 在分类和分割任务中, CoBooM 获得了显著的性能提升.
引用
@article{arxiv.2408.04262,
title = {CoBooM: Codebook Guided Bootstrapping for Medical Image Representation Learning},
author = {Azad Singh and Deepak Mishra},
journal= {arXiv preprint arXiv:2408.04262},
year = {2024}
}
备注
Accepted in MICCAI 2024