构建鲁棒儿科胸部X光分类模型的自监督学习方法
计算机视觉与模式识别
2024-09-04 v1
摘要
医学人工智能领域深度学习的最新进展表明，模型在成人胸部X光（CXR）解读中的诊断性能可与临床专家相媲美。然而，由于缺乏大规模标注的儿科影像数据集，其在儿科领域的应用仍然有限。此外，不同医院间儿科CXR图像的显著差异以及患者年龄范围从0岁到18岁的广泛分布也带来了重大挑战。为解决这些挑战，我们提出了SCC，这是一种将迁移学习与自监督对比学习相结合，并辅以无监督对比度增强技术的新方法。从训练有素的成人CXR模型进行迁移学习，缓解了儿科训练数据稀缺的问题。结合对比度增强的对比学习聚焦于肺部，减少了图像变异的影响，并在多样化的儿科CXR图像中生成高质量嵌入。我们在一个儿科CXR数据集上训练SCC，并在另外两个不同来源的儿科数据集上评估其性能。结果表明，在两个测试数据集上，SCC的分布外（零样本）性能在AUC指标上分别比常规迁移学习高出13.6%和34.6%。此外，在使用少10倍标注图像的少样本学习下，SCC的性能与在整个标注数据集上训练的常规迁移学习相当。为测试该框架的通用性，我们在三个基准乳腺癌数据集上验证了其性能。从一个在自然图像上训练并在一个乳腺癌数据集上微调的模型开始，SCC在另外两个数据集上的零样本学习AUC指标上，分别比全监督学习基线高出3.6%和5.5%。
引用
@article{arxiv.2409.00231,
title = {Self-Supervised Learning for Building Robust Pediatric Chest X-ray Classification Models},
author = {Sheng Cheng and Zbigniew A. Starosolski and Devika Subramanian},
journal= {arXiv preprint arXiv:2409.00231},
year = {2024}
}
备注
15 pages, 6 figures, 4 tables