CONTRAST: 基于对比自监督学习的少样本肿瘤检测
计算机视觉与模式识别
2024-10-16 v1
摘要
人工智能通过MRI扫描辅助脑肿瘤检测，提高了准确性并减少了医务人员的工作负担。然而，在医学图像极其有限的场景中，传统深度学习方法因缺乏异常图像而难以发挥作用。异常检测也因训练过程模糊而难以有效提取特征。我们的工作引入一种名为CONTRAST (CONtrastive Self-supervised Learning for few-shot Tumor detection) 的新型两阶段异常检测算法。CONTRAST的第一阶段针对MRI脑部图像微调预训练特征提取器，采用合成数据生成管道创建肿瘤样本数据。该过程克服了异常样本的不足，使注意力机制能够专注于异常图像区域。第一阶段通过融合上下文感知对比学习和自监督特征对抗学习，克服当前异常检测在高变动数据中提取特征的局限。CONTRAST的第二阶段使用PatchCore进行常规特征提取，采用第一阶段微调后的权重。总结来说，我们提出了一种用于异常检测的自监督训练方案，提升了模型性能和数据可靠性。此外，我们提出的对比损失Tritanh Loss稳定了学习，同时增强了梯度流。最后，CONTRAST在少样本脑肿瘤检测中实现了卓越的性能，相较于PatchCore在2、4、6和8 shots下分别提升了9.4%、12.9%、10.2%和6.0%，且仅使用健康图像进行训练。
引用
@article{arxiv.2410.11307,
title = {CONSULT: Contrastive Self-Supervised Learning for Few-shot Tumor Detection},
author = {Sin Chee Chin and Xuan Zhang and Lee Yeong Khang and Wenming Yang},
journal= {arXiv preprint arXiv:2410.11307},
year = {2024}
}
备注
14 pages, 4 figures