探索自监督表示学习在低资源医学图像分析中的适用性
计算机视觉与模式识别
2023-06-30 v2
摘要
自监督学习（SSL）的成功主要归因于存在大规模且无标签的数据集。然而，在如医学影像这类与自然图像差异很大的专业领域，数据可用的假设是不现实且不切实际的，因为数据本身稀缺且存在于为特定预后任务收集的小型数据库中。为此，我们旨在研究自监督学习算法在小型医学影像数据集上的适用性。具体而言，我们在三个公开可获取的“小型”医学影像数据集上评估了 4 种最先进的 SSL 方法。我们的研究表明，领域内低资源 SSL 预训练可以产生与从大规模数据集（如 ImageNet）迁移学习相竞争的性能。此外，我们广泛分析实证发现以提供有价值的见解，从而激励进一步研究以规避在大型图像语料库上预训练的需求。据我们所知，这是首次尝试整体探索低资源医学数据集上的自监督。
引用
@article{arxiv.2303.02245,
title = {Exploring Self-Supervised Representation Learning For Low-Resource Medical Image Analysis},
author = {Soumitri Chattopadhyay and Soham Ganguly and Sreejit Chaudhury and Sayan Nag and Samiran Chattopadhyay},
journal= {arXiv preprint arXiv:2303.02245},
year = {2023}
}
备注
Accepted at IEEE ICIP 2023