基于胃X射线图像的胃炎检测自监督学习
计算机视觉与模式识别
2023-03-28 v4
摘要
目的：医生对胃X射线图像进行胃炎检测的手动标注耗时且昂贵。为此，本研究开发了一种自监督学习方法。使用少量标注的胃X射线图像验证了所提自监督学习方法在胃炎检测中的有效性。方法：在本研究中，我们开发了一种新方法，能够执行显式自监督学习并从胃X射线图像中学习判别性表示。基于所提方法训练的模型在包含少量标注胃X射线图像的数据集上进行了微调。将五种自监督学习方法，即 SimSiam、BYOL、PIRL-jigsaw、PIRL-rotation 和 SimCLR，与所提方法进行比较。此外，将三种先前方法，一种在 ImageNet 上预训练的方法、一种从头训练的方法以及一种半监督学习方法，与所提方法进行比较。结果：所提方法在使用 10、20、30 和 40 名患者的标注数据微调后，灵敏度与特异度的调和平均得分分别为 0.875、0.911、0.915 和 0.931。所提方法优于所有对比方法，包括五种自监督学习方法和三种先前方法。实验结果表明了所提方法在使用少量标注胃X射线图像进行胃炎检测中的有效性。结论：本文提出了一种基于教师-学生架构的、用于胃X射线图像胃炎检测的新颖自监督学习方法。所提方法能够执行显式自监督学习并从胃X射线图像中学习判别性表示。所提方法在使用少量标注胃X射线图像进行胃炎检测方面展现出潜在的临床用途。
引用
@article{arxiv.2104.02864,
title = {Self-Supervised Learning for Gastritis Detection with Gastric X-ray Images},
author = {Guang Li and Ren Togo and Takahiro Ogawa and Miki Haseyama},
journal= {arXiv preprint arXiv:2104.02864},
year = {2023}
}
备注
Published as a journal paper at Springer IJCARS