基于时间相关医学图像的对比学习：以胸部 X 光肺分割为例
图像与视频处理
2021-09-20 v2
摘要
对比学习已被证明是一种利用无标注数据进行图像级表示学习的有效技术。许多现有工作已通过在自然图像或医学图像的分类与目标检测任务中应用对比学习展示了改进结果。然而，其在医学图像分割任务中的应用仍有限。本工作中，我们以胸部 X 光中的肺分割为案例，提出一种利用时间相关医学图像的对比学习框架，称为 CL-TCI，以学习优质的编码器用于初始化分割网络。我们从两种最先进的对比学习方法 MoCo 和 SimCLR 改造得到 CL-TCI。在三个胸部 X 光数据集上的实验表明，在 U-Net 和 Deeplab-V3 两种不同分割骨干下，CL-TCI 在半监督学习设定与有限标注的迁移学习设定中均优于所有未引入任何时间相关性的基线。这表明时间相关医学图像中的信息确实能提升对比学习性能。在 CL-TCI 的两种变体中，由 MoCo 改造的 CL-TCI 在大多数设定下优于由 SimCLR 改造的 CL-TCI，说明更多的对比样本有益于学习过程并帮助网络学习高质量表示。
引用
@article{arxiv.2109.03233,
title = {Contrastive Learning with Temporal Correlated Medical Images: A Case Study using Lung Segmentation in Chest X-Rays},
author = {Dewen Zeng and John N. Kheir and Peng Zeng and Yiyu Shi},
journal= {arXiv preprint arXiv:2109.03233},
year = {2021}
}
备注
7 pages, submitted to ICCAD'21 special session