ConceptVAE：从二维超声心动图中进行自监督细粒度概念解耦
计算机视觉与模式识别
2025-02-04 v1
摘要
尽管传统的自监督学习方法在各种医学任务中提高了性能和鲁棒性，但它们依赖于单向量嵌入，可能无法捕捉诸如解剖结构或器官等细粒度概念。能够在无监督的情况下识别这些概念及其特征，有望改进预训练方法，并实现细粒度图像检索和基于概念的离群点检测等新应用。本文提出了 ConceptVAE，这是一种新颖的预训练框架，能够以自监督的方式从风格特征中检测并解耦细粒度概念。我们提出了一套损失项和模型架构原语，旨在将输入数据离散化为预设数量的概念及其局部风格。我们定性和定量地验证了 ConceptVAE，展示了其从二维心脏超声心动图中检测细粒度解剖结构（如血池和室间隔壁）的能力。定量上，ConceptVAE 在基于区域的实例检索、语义分割、分布外检测和目标检测等任务中优于传统的自监督方法。此外，我们探索了生成保持与训练数据相同概念但风格不同的分布内合成数据，突显了其在更精准数据生成方面的潜力。总体而言，我们的研究引入并验证了一种基于概念-风格解耦的、有前景的新型预训练技术，为开发比黑盒方法更具可解释性和可说明性的医学图像分析模型开辟了多种途径。
引用
@article{arxiv.2502.01335,
title = {ConceptVAE: Self-Supervised Fine-Grained Concept Disentanglement from 2D Echocardiographies},
author = {Costin F. Ciusdel and Alex Serban and Tiziano Passerini},
journal= {arXiv preprint arXiv:2502.01335},
year = {2025}
}