基于图神经网络的上下文感知自监督学习在医学图像中的应用
图像与视频处理
2022-07-08 v1 计算机视觉与模式识别
机器学习
摘要
尽管自监督学习使我们能够利用无标签数据启动训练，但针对自然图像的通用自监督方法并未充分融入上下文信息。对于医学图像，理想的方法应足够灵敏，以检测每个解剖区域中偏离正常组织的部分；此处，解剖结构即为上下文。我们引入了一种具有两个层次自监督表征学习目标的新方法：一个在区域解剖层面，另一个在患者层面。我们使用图神经网络来整合不同解剖区域之间的关系。图的结构由每位患者与解剖图谱之间的解剖对应关系决定。此外，图表示具有处理任意尺寸全分辨率图像的优势。在大规模肺部计算机断层扫描 (CT) 数据集上的实验表明，我们的方法优于未考虑上下文的基线方法。我们将学习到的嵌入用于对与 COVID-19 相关的肺组织异常进行分期。
引用
@article{arxiv.2207.02957,
title = {Context-aware Self-supervised Learning for Medical Images Using Graph Neural Network},
author = {Li Sun and Ke Yu and Kayhan Batmanghelich},
journal= {arXiv preprint arXiv:2207.02957},
year = {2022}
}
备注
Accepted by NeurIPS workshop 2020. arXiv admin note: substantial text overlap with arXiv:2012.06457