基于自监督对比学习的心脏 MR 序列分类
计算机视觉与模式识别
2026-05-26 v1 图像与视频处理
摘要
Vision Transformer（ViT）模型利用自注意力机制，在各种视觉任务中展现出鲁洼的泛化能力，包括图像分类。然而，这些模型通常在通用公共数据集上预训练，往往缺乏针对医学成像应用的专业领域知识。在本研究中，我们针对心脏磁共振（MR）图像，探讨了ViT模型的适应方法。我们发现，预训练的ViT特征难以有效迁移到心脏 MR 领域。为克服这一限制，我们引入一种利用基于图像的自监督对比学习的适应策略，显示出优于传统监督训练方法的优越性能。此外，我们的适应ViT模型对外部 MR 数据集如BraTS和ADNI具有强大的泛化能力。通过消融研究，我们进一步探讨了批量大小和数据集规模对性能的影响。最终，我们的适应模型在四种最常见的心脏 MR 序列上实现的分类 AUC 超过0.75。
引用
@article{arxiv.2605.24789,
title = {Self-Supervised Contrastive Learning for Cardiac MR Sequence Classification},
author = {Yuli Wang and Hyewon Jung and Dongshen Peng and Yuwei Dai and Jing Wu and Haoyue Guan and Yoko Kato and Zhicheng Jiao and Yu Sun and Ihab Kamel and Joao Lima and Cheng Ting Lin and Harrison Bai},
journal= {arXiv preprint arXiv:2605.24789},
year = {2026}
}