通过自监督学习将任务知识嵌入三维神经网络
计算机视觉与模式识别
2020-06-11 v1
摘要
深度学习高度依赖于标注数据的数量。然而，标注医学图像极为费力且昂贵。为此，自监督学习（SSL）作为标注数据不足的潜在解决方案，正吸引着社区越来越多的关注。然而，SSL方法通常设计一个未必与目标任务相关的代理任务。在本文中，我们提出一种用于三维医学图像分类的新型SSL方法，即任务相关对比预测编码（TCPC），其将任务知识嵌入到三维神经网络的训练中。所提出的TCPC首先通过简单线性迭代聚类的超体素估计来定位初始候选病灶。然后，我们从潜在病灶区域周围裁剪的子体块中提取特征，并构建一种校准的对比预测编码方案用于自监督学习。在公开和私有数据集上进行了大量实验。实验结果证明了将病灶相关先验知识嵌入神经网络用于三维医学图像分类的有效性。
引用
@article{arxiv.2006.05798,
title = {Embedding Task Knowledge into 3D Neural Networks via Self-supervised Learning},
author = {Jiuwen Zhu and Yuexiang Li and Yifan Hu and S. Kevin Zhou},
journal= {arXiv preprint arXiv:2006.05798},
year = {2020}
}