语境至关重要：基于图的自监督医学图像表示学习
图像与视频处理
2020-12-14 v1 计算机视觉与模式识别
机器学习
摘要
监督学习方法需要大量标注数据集。收集此类数据集耗时且昂贵。迄今可用的标注COVID-19影像数据集极少。尽管自监督学习能通过利用无标签数据来启动训练，但针对自然图像的通用自监督方法未能充分纳入语境。对于医学图像，理想方法应足够敏感以检测各解剖区域中偏离正常外观组织的情形；此处解剖即语境。我们引入一种具有两级自监督表示学习目标的新方法：一级在区域解剖层面，另一级在患者层面。我们使用图神经网络来纳入不同解剖区域间的关系。图的结构由每位患者与解剖图谱之间的解剖对应所确定。此外，图表示具有以全分辨率处理任意大小图像的优势。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语境的基线方法。我们利用所学嵌入量化COVID-19的临床进展，并表明我们的方法对来自不同医院的COVID-19患者具有良好的泛化能力。定性结果表明，我们的模型能识别图像中与临床相关的区域。
引用
@article{arxiv.2012.06457,
title = {Context Matters: Graph-based Self-supervised Representation Learning for Medical Images},
author = {Li Sun and Ke Yu and Kayhan Batmanghelich},
journal= {arXiv preprint arXiv:2012.06457},
year = {2020}
}
备注
Accepted to AAAI 2021