SB-SSL：基于切片的自监督 Transformer 用于 MRI 膝关节异常分类
图像与视频处理
2022-08-31 v1 计算机视觉与模式识别
机器学习
摘要
在开发用于医疗领域的监督机器学习方案时，获取带有高质量真值标签的大规模数据是一项挑战。尽管临床工作流中的数字数据量在不断增加，但其中大部分数据分布在临床站点并受保护以确保患者隐私。放射学读片和处理大规模临床数据给可用资源带来了沉重负担，而这正是机器学习和人工智能发挥关键作用的地方。用于肌肉骨骼（MSK）诊断的磁共振成像（MRI）就是一个例子：扫描包含丰富信息，但阅读和标注需要大量时间。自监督学习（SSL）可成为解决真值标签匮乏问题的方案，但通常需要在预训练阶段使用大量训练数据。在此，我们提出一种基于切片的自监督深度学习框架（SB-SSL），这是一种利用膝关节 MRI 扫描进行异常分类的基于切片的新范式。我们表明，在病例数有限（<1000）的情况下，我们提出的框架能够以 89.17% 的准确率和 0.954 的 AUC 识别前交叉韧带撕裂，在预训练不使用外部数据的情况下优于最先进水平（SOTA）。这表明我们提出的框架适用于有限数据场景下的 SSL。
引用
@article{arxiv.2208.13923,
title = {SB-SSL: Slice-Based Self-Supervised Transformers for Knee Abnormality Classification from MRI},
author = {Sara Atito and Syed Muhammad Anwar and Muhammad Awais and Josef Kitler},
journal= {arXiv preprint arXiv:2208.13923},
year = {2022}
}
备注
Accepted at MICCAI MILLAND workshop