结合全局与局部特征的对比学习用于有限标注的医学图像分割
计算机视觉与模式识别
2020-11-02 v2 机器学习
图像与视频处理
机器学习
摘要
监督深度学习成功的一个关键要求是大型标注数据集——这一条件在医学图像分析中难以满足。自监督学习（SSL）可以通过提供一种策略来帮助解决这一问题：先用无标签数据预训练神经网络，然后在有限标注的下游任务上进行微调。对比学习作为 SSL 的一种特定变体，是学习图像级表示的强大技术。在本工作中，通过利用领域特定和问题特定的线索，我们提出了在有限标注的半监督设置下将对比学习框架扩展至体积医学图像分割的策略。具体而言，我们提出了（1）利用体积医学图像间结构相似性的新颖对比策略（领域特定线索），以及（2）对比损失的局部版本，用于学习对逐像素分割有用的局部区域的独特表示（问题特定线索）。我们在三个磁共振成像（MRI）数据集上进行了广泛评估。在有限标注设置下，与其他自监督和半监督学习技术相比，所提出的方法取得了显著改进。当与简单的数据增强技术结合使用时，所提出的方法仅使用两个标注的 MRI 体积进行训练，即可达到基准性能的 8% 以内，这仅相当于用于训练基准的训练数据的 4%（对于 ACDC）。代码已公开发布于 https://github.com/krishnabits001/domain_specific_cl。
引用
@article{arxiv.2006.10511,
title = {Contrastive learning of global and local features for medical image segmentation with limited annotations},
author = {Krishna Chaitanya and Ertunc Erdil and Neerav Karani and Ender Konukoglu},
journal= {arXiv preprint arXiv:2006.10511},
year = {2020}
}
备注
18 pages, 2 figures, 10 tables. This article has been accepted as Oral Presentation at NeurIPS 2020 (34th Conference on Neural Information Processing Systems)