从 Barlow Twins 到 Triplet Training：在有限数据下区分痴呆症

由于症状重叠，痴呆症的鉴别诊断具有挑战性，而结构磁共振成像（MRI）是主要的诊断方法。尽管计算机辅助鉴别诊断具有临床价值，但研究一直有限，主要由于缺乏包含多种类型痴呆症的公开数据集。这使得研究人员只能使用不足以训练深度神经网络的小型内部数据集。自监督学习在利用未标记 MRI 扫描进行训练方面显示出前景，但体积脑扫描的小批量大小使其应用具有挑战性。为了解决这些问题，我们提出了在有限目标数据下进行鉴别诊断的 Triplet Training。它包含三个关键阶段： Barlow Twins 在未标记数据上的自监督预训练， 任务相关数据上的自蒸馏， 目标数据集上的微调。我们的方法显著优于传统的训练策略，实现了 75.6% 的平衡准确率。我们进一步通过可视化每一步后潜在空间的变化，提供了对训练过程的深入见解。最后，我们在全面的消融研究中验证了 Triplet Training 各个组件的鲁棒性。我们的代码可在 https://github.com/ai-med/TripletTraining 获取。