自监督学习作为减少医学图像分析中标注数据需求的方法
计算机视觉与模式识别
2022-06-02 v1
摘要
医学图像处理中最大的问题之一是缺乏标注数据。标注医学图像通常需要训练有素的专家且可能耗时。在本文中，我们评估了一种通过使用自监督神经网络预训练来减少医学图像目标检测中对标注数据需求的方法。我们使用了一个带有 13 类异常边界框标签的胸部 X 光图像数据集。网络在不带标签的数据集的一部分上进行预训练，然后在数据集的其余部分上进行微调。我们表明，仅使用 60% 的标注数据即可在平均精度均值和准确率方面达到与全监督模型相似的性能。我们还表明，通过添加自监督预训练步骤可以提高全监督模型的最大性能，并且即使使用少量未标注数据进行预训练也能观察到这种效果。
引用
@article{arxiv.2206.00344,
title = {Self-Supervised Learning as a Means To Reduce the Need for Labeled Data in Medical Image Analysis},
author = {Marin Benčević and Marija Habijan and Irena Galić and Aleksandra Pizurica},
journal= {arXiv preprint arXiv:2206.00344},
year = {2022}
}
备注
Accepted by 30th European Signal Processing Conference, EUSIPCO 2022