OCT 中退行性疾病进展的时序等价性学习：通过预测未来表示

对比预训练通过确保其对不同图像变换的不变性，同时防止表示坍缩，来提供稳健的表示。等变对比学习则提供对特定图像变换敏感但对其他变换不变的表示。通过引入对时间引起的变换（如纵向成像中与疾病相关的解剖变化）的等变性，模型可以有效捕获此类变化在表示空间中的捕获。在本工作中，我们提出了一种时序等变对比学习（TC）方法。首先，编码器将来自同一患者不同时间点的两个无标记扫描嵌入表示空间。接下来，训练一个时序等变模块，以预测基于来自一个先前访问的表示以及相应时间间隔的后续访问的表示，同时保持对无关图像变换的不变性。我们提出了一种新的正则化损失项。我们在大型纵向数据集上，我们的模型在预测从中间年龄相关性黄斑变性（AMD）到Advanced wet-AMD 的进展方面明显优于现有的等变对比方法。