DeepSet SimCLR: 用于改进病理表示学习的自监督深度集
计算机视觉与模式识别
2024-02-27 v1
摘要
通常，自监督学习在三维医学数据上的应用会选择成功二维网络架构的三维变体。尽管这些方法很有前景，但它们在训练时计算需求显著更高，从而降低了这些方法在计算资源有限场景下的广泛适用性。因此，在本文中，我们旨在通过隐式建模这些数据集固有的三维特性来改进标准的二维自监督学习算法。我们提出了两个基于强基线模型的变体，并表明这两个变体在多种下游任务中通常优于基线。重要的是，与之前针对三维医学数据的二维和三维方法相比，我们的两个方案在基线上引入的额外开销可以忽略不计，从而促进了这些方法在医学应用中的普及。
引用
@article{arxiv.2402.15598,
title = {DeepSet SimCLR: Self-supervised deep sets for improved pathology representation learning},
author = {David Torpey and Richard Klein},
journal= {arXiv preprint arXiv:2402.15598},
year = {2024}
}