基于 pretext-invariant 学习的块级实例-组判别用于结肠炎评分
计算机视觉与模式识别
2022-07-13 v1 人工智能
多媒体
摘要
炎症性肠病（IBD），特别是溃疡性结肠炎（UC），由内镜医师进行分级，该评估是风险分层与治疗监测的基础。目前，内镜表征在很大程度上依赖于操作者，有时导致IBD患者不良的临床表现。我们关注广泛使用的梅奥内镜评分（MES）系统，其需要可靠识别黏膜炎症的细微变化。大多数现有深度学习分类方法无法检测这些细粒度变化，使得UC分级成为一项艰巨任务。本工作中，我们引入一种新颖的块级实例-组判别与pretext-invariant表示学习（PLD-PIRL）用于自监督学习（SSL）。我们的实验表明，与基线监督网络及若干最先进的SSL方法相比，其准确性与鲁棒性均得到提升。与基线（ResNet50）监督分类相比，我们提出的PLD-PIRL在留出测试数据上top-1准确率提升4.75%，在未见中心测试数据上提升6.64%。
引用
@article{arxiv.2207.05192,
title = {Patch-level instance-group discrimination with pretext-invariant learning for colitis scoring},
author = {Ziang Xu and Sharib Ali and Soumya Gupta and Simon Leedham and James E East and Jens Rittscher},
journal= {arXiv preprint arXiv:2207.05192},
year = {2022}
}
备注
11