用于上颌窦鼻旁异常分类的自监督学习
图像与视频处理
2024-04-30 v1 计算机视觉与模式识别
摘要
目的：鼻旁异常常在常规放射学筛查中被发现，表现出多样的形态学特征。由于异常的多样性，监督学习方法需要包含多种异常形态的大型标注数据集。自监督学习（SSL）可用于从无标签数据中学习表征。然而，目前尚无专为上颌窦（MS）鼻旁异常分类这一下游任务设计的 SSL 方法。方法：我们的方法使用在无监督异常检测（UAD）框架中训练的 3D 卷积自编码器（CAE）。最初，我们训练 3D CAE 以减少重建正常上颌窦（MS）图像时的重建误差。然后，将该 CAE 应用于无标签数据集，通过创建残差 MS 图像来生成粗略的异常位置。随后，3D 卷积神经网络（CNN）重建这些残差图像，这构成了我们的 SSL 任务。最后，我们在包含正常和异常 MS 图像的标注数据集上对 3D CNN 的编码器部分进行微调。结果：所提出的 SSL 技术与现有的通用自监督方法相比展现出更优的性能，特别是在标注数据有限的情况下。当仅在 10% 的标注数据集上训练时，我们的方法在下游分类任务中实现了 0.79 的精确率-召回率曲线下面积（AUPRC）。这一性能超越了其他方法，其中 BYOL 达到 0.75 的 AUPRC，SimSiam 为 0.74，SimCLR 为 0.73，使用 SparK 的掩码自编码为 0.75。结论：一种本质上专注于鼻旁异常定位的自监督学习方法被证明是有利的，特别是当后续任务涉及区分正常与异常上颌窦时。访问我们的代码：https://github.com/mtec-tuhh/self-supervised-paranasal-anomaly
引用
@article{arxiv.2404.18599,
title = {Self-supervised learning for classifying paranasal anomalies in the maxillary sinus},
author = {Debayan Bhattacharya and Finn Behrendt and Benjamin Tobias Becker and Lennart Maack and Dirk Beyersdorff and Elina Petersen and Marvin Petersen and Bastian Cheng and Dennis Eggert and Christian Betz and Anna Sophie Hoffmann and Alexander Schlaefer},
journal= {arXiv preprint arXiv:2404.18599},
year = {2024}
}