肺交换自编码器：学习胸片的解耦结构-纹理表示

由于标注成本高，标注良好的胸片（CXRs）数据集难以获取。因此，期望以无监督方式学习鲁棒且可迁移的表示，以惠及缺乏标注数据的任务。与自然图像不同，医学图像有其自身的领域先验；例如，我们观察到许多肺部疾病（如 COVID-19）表现为肺组织纹理而非解剖结构的变化。因此，我们假设仅研究不受结构变化影响的纹理，将有利于下游预后与预测建模任务。本文中，我们提出一种生成式框架——肺交换自编码器（Lung Swapping Autoencoder, LSAE），它学习 CXR 的因子化表示，以将纹理因子与结构因子解耦。具体而言，通过对抗训练，LSAE 被优化为生成一幅混合图像：保留一幅图像中的肺形状，但继承另一幅图像的肺纹理。为证明解耦纹理表示的有效性，我们在 ChestX-ray14（N=112,120）以及我们自己的多机构 COVID-19 预后预测数据集 COVOC（N=340（子集1）+ 53（子集2））上评估了 LSAE 中的纹理编码器 $Enc^t$。在两个数据集上，我们通过微调 LSAE 中比基线 Inception v3 小 77% 的 $Enc^t$ 达到或超越了最先进水平（SOTA）。此外，在模型预算相近的半监督与自监督设定下，LSAE 中的 $Enc^t$ 也与最先进的 MoCo 具有竞争力。通过“重新混合”纹理与形状因子，我们生成有意义的混合图像以扩充训练集。该数据增强方法可进一步提升 COVOC 预测性能。即便我们直接在子集2上评估子集1训练的模型而不做任何微调，改进依然一致。