基于连续代理元数据的对比学习用于三维 MRI 分类
计算机视觉与模式识别
2021-06-17 v1 机器学习
摘要
传统的深度神经网络监督学习需要大量标注数据才能收敛到良好的解。对于三维医学图像,针对特定病症构建大规模同质标注数据集通常是不切实际的。自监督方法提供了一种以无监督方式用神经网络学习图像表示的新途径。特别是,对比学习已展现出巨大潜力,(几乎)在视觉任务上匹配全监督 CNN 的性能。然而,该方法并未利用可用的元数据(如被试年龄)作为先验知识。在此,我们提出在对比学习框架中通过引入一种称为 y-Aware InfoNCE 损失的新损失来利用连续代理元数据。具体而言,我们在预训练期间通过为锚点添加更多具有相似代理元数据的正例(假设它们共享相似的判别性语义特征)来改进正采样。使用我们的方法,一个在 多站点健康脑 MRI 扫描上预训练的三维 CNN 模型可提取用于三项分类任务的相关特征:精神分裂症、双相情感障碍诊断和阿尔茨海默病检测。在微调后,它在这些任务上也优于从零训练的三维 CNN 以及最先进的自监督方法。我们的代码已公开于此。
引用
@article{arxiv.2106.08808,
title = {Contrastive Learning with Continuous Proxy Meta-Data for 3D MRI Classification},
author = {Benoit Dufumier and Pietro Gori and Julie Victor and Antoine Grigis and Michel Wessa and Paolo Brambilla and Pauline Favre and Mircea Polosan and Colm McDonald and Camille Marie Piguet and Edouard Duchesnay},
journal= {arXiv preprint arXiv:2106.08808},
year = {2021}
}
备注
MICCAI 2021