生成与加权语义一致样本对用于超声对比学习
计算机视觉与模式识别
2022-12-09 v1 机器学习
摘要
标注良好的医学数据集使深度神经网络（DNNs）获得提取病灶相关特征的强大能力。构建此类大型且精心设计的医学数据集因需要高水平专业知识而成本高昂。基于 ImageNet 的模型预训练在数据量有限时获得更好泛化的常见做法。然而，它受制于自然图像与医学图像间的域差距。本工作中，我们在超声（US）域而非 ImageNet 上预训练 DNNs，以减小医学 US 应用中的域差距。为基于无标签 US 视频学习 US 图像表示，我们提出一种新颖的基于元学习的对比学习方法，即元超声对比学习（Meta-USCL）。为应对获取语义一致样本对这一对比学习的关键挑战，我们提出一个正样本对生成模块以及一个基于元学习的自动样本加权模块。在多个计算机辅助诊断（CAD）问题（包括肺炎检测、乳腺癌分类和乳腺肿瘤分割）上的实验结果表明，该自监督方法达到了 SOTA。代码见 https://github.com/Schuture/Meta-USCL。
引用
@article{arxiv.2212.04097,
title = {Generating and Weighting Semantically Consistent Sample Pairs for Ultrasound Contrastive Learning},
author = {Yixiong Chen and Chunhui Zhang and Chris H. Q. Ding and Li Liu},
journal= {arXiv preprint arXiv:2212.04097},
year = {2022}
}