ConPro：利用对比学习与偏好优化学习医学图像严重程度表征
计算机视觉与模式识别
2024-04-30 v1 人工智能
摘要
在医学诊断中，理解图像所示病症的严重程度至关重要，它是临床评估、治疗以及纵向进展评价的关键指引。本文提出 ConPro：一种利用对比学习融合偏好优化（Contrastive learning-integrated Preference Optimization）进行医学图像严重程度评估的新型表征学习方法。与最大化类间距离的传统对比学习方法不同，ConPro 将不同严重程度类别与正常类别之间的距离偏好知识注入潜在向量。我们系统地检验了框架的关键组成部分，以阐明对比预测任务如何获取有价值的表征。我们表明，所提出的表征学习框架在特征空间中提供了有价值的严重程度排序，同时在分类任务上优于以往最先进的方法。与有监督基线和自监督基线相比，我们分别实现了 6% 和 20% 的相对提升。此外，我们还就严重程度指标及偏好比较在医学领域的相关应用展开了讨论。
引用
@article{arxiv.2404.18831,
title = {ConPro: Learning Severity Representation for Medical Images using Contrastive Learning and Preference Optimization},
author = {Hong Nguyen and Hoang Nguyen and Melinda Chang and Hieu Pham and Shrikanth Narayanan and Michael Pazzani},
journal= {arXiv preprint arXiv:2404.18831},
year = {2024}
}
备注
8 pages