面向三维放射组学表征的不平衡感知自监督学习
计算机视觉与模式识别
2021-07-14 v2 人工智能
摘要
放射组学表征可量化医学图像数据中感兴趣区域的属性。经典上，它们考虑形状、纹理及其他低级图像特征的预定义统计量。与之相对，基于深度学习的表征源自监督学习，但需要专家提供的昂贵标注，且常受过拟合与数据不平衡问题困扰。本工作中，我们致力于解决在数据不平衡下学习三维医学图像表征以实现有效量化这一挑战。我们提出一种自监督表征学习框架，以学习三维体的高级特征，作为现有放射组学特征的补充。具体而言，我们展示了如何使用三维孪生网络以自监督方式学习图像表征。更重要的是，我们通过利用两种无监督策略来处理数据不平衡：a) 样本重加权，以及 b) 平衡训练批次的构成。当将我们学习的自监督特征与传统放射组学结合时，我们在涵盖 MRI 与 CT 成像模态的脑肿瘤分类和肺癌分期任务中显示出显著改进。
引用
@article{arxiv.2103.04167,
title = {Imbalance-Aware Self-Supervised Learning for 3D Radiomic Representations},
author = {Hongwei Li and Fei-Fei Xue and Krishna Chaitanya and Shengda Luo and Ivan Ezhov and Benedikt Wiestler and Jianguo Zhang and Bjoern Menze},
journal= {arXiv preprint arXiv:2103.04167},
year = {2021}
}
备注
camera-ready version in MICCAI 2021