MVCNet：用于三维CT病灶无监督表示学习的多视图对比网络
计算机视觉与模式识别
2021-08-19 v2 人工智能
机器学习
摘要
目标与影响声明。随着深度学习的复兴，计算机断层扫描（CT）的自动诊断系统已取得诸多成功应用。然而，它们大多归功于精细的专家标注，而实践中此类标注往往稀缺。这引发了我们对无监督表示学习的兴趣。引言。近期研究表明，自监督学习是一种有效的表示学习方法，但其中多数依赖于变换与 pretext task 的经验性设计。方法。为避免这些方法的主观性，我们提出 MVCNet，一种以无变换方式工作的新型无监督三维（3D）表示学习方法。我们从不同朝向观察每个3D病灶以收集多个二维（2D）视图。随后，通过最小化对比损失学习一个嵌入函数，使同一3D病灶的2D视图聚合，不同病灶的2D视图分离。我们通过在嵌入层上训练一个简单的分类头来评估表示。结果。实验结果表明，MVCNet 在 LIDC-IDRI（89.55%）、LNDb（77.69%）和 TianChi（79.96%）数据集上取得了无监督表示学习的当前最优精度。当在10%的标注数据上微调时，其精度可与有监督学习模型相媲美（三个数据集上分别为 89.46% 对 85.03%、73.85% 对 73.44%、83.56% 对 83.34%）。结论。结果表明 MVCNet 在以有限标注学习表示方面具有优越性。
引用
@article{arxiv.2108.07662,
title = {MVCNet: Multiview Contrastive Network for Unsupervised Representation Learning for 3D CT Lesions},
author = {Penghua Zhai and Huaiwei Cong and Gangming Zhao and Chaowei Fang and Jinpeng Li and Ting Cai and Huiguang He},
journal= {arXiv preprint arXiv:2108.07662},
year = {2021}
}
备注
This 16-page manuscript has been submitted to Meidcal Image Analysis for possible publication