基于拼图的自监督细粒度学习用于医学图像分类
计算机视觉与模式识别
2023-08-14 v1
摘要
由于医学图像中细微且微妙的差异,分类细粒度病变具有挑战性。这是因为在训练深度神经网络时,学习具有高度微小差异的细粒度病变特征非常困难。因此,本文引入细粒度自监督学习(FG-SSL)方法用于分类医学图像中的细微病变。所提方法通过分层块逐步学习模型,使得细粒度拼图与正则化原始图像之间的互相关接近单位矩阵。我们还将分层块应用于渐进式细粒度学习的监督学习中,以在每一步提取不同信息,从而发现细微差异。我们的方法不需要非对称模型,也不需要负采样策略,并且对批大小不敏感。我们在使用各种医学图像识别数据集的综合实验上评估了所提出的细粒度自监督学习方法。在实验中,所提方法在广泛使用的 ISIC2018、APTOS2019 和 ISIC2017 数据集上优于现有的最先进方法。
引用
@article{arxiv.2308.05770,
title = {Fine-Grained Self-Supervised Learning with Jigsaw Puzzles for Medical Image Classification},
author = {Wongi Park and Jongbin Ryu},
journal= {arXiv preprint arXiv:2308.05770},
year = {2023}
}