通过调整增强尺度增强视网膜影像的对比学习
计算机视觉与模式识别
2025-01-07 v1 人工智能
摘要
对比学习作为自监督学习中的一种突出方法,已在为各种自然图像应用开发可泛化模型方面展现出显著的有效性。然而,近期研究表明,这些成功并不一定能够推广到医学影像领域。在本文中,我们探究了这种次优性能的原因,并假设医学图像的密集分布对对比学习中的前置任务(尤其是在构建正负样本对方面)构成了挑战。我们在不同的增强策略下考察模型性能,并将结果与采用强增强所取得的结果进行比较。我们的研究涵盖了六个公开可用的数据集,涉及多项临床相关任务。我们进一步通过外部评估来评估模型的泛化能力。在 MESSIDOR2 上,采用弱增强预训练的模型优于采用强增强的模型,将 AUROC 从 0.838 提升至 0.848,将 AUPR 从 0.523 提升至 0.597,并在其他数据集上呈现出类似的提升。我们的研究结果表明,优化增强尺度对于提升对比学习在医学影像中的效能至关重要。
引用
@article{arxiv.2501.02451,
title = {Enhancing Contrastive Learning for Retinal Imaging via Adjusted Augmentation Scales},
author = {Zijie Cheng and Boxuan Li and André Altmann and Pearse A Keane and Yukun Zhou},
journal= {arXiv preprint arXiv:2501.02451},
year = {2025}
}