基于三元组损失的自监督学习用于胃肠道病理内镜图像分类
图像与视频处理
2023-10-16 v2
摘要
近来，通过竞赛与挑战赛收集的胃肠道（GI） tract 数据集越来越多。最需要解决的常见任务是将 GI tract 图像分类至不同类别。然而，现有方法的贡献存在诸多局限。本文旨在开发一种计算机辅助诊断系统，对内镜图像中的病理发现进行分类，该系统可分类包括息肉、食管炎和溃疡性结肠炎在内的一些常见病理。为评估所提工作，我们使用公开数据集 Hyper--Kvasir 而非自行收集数据。我们系统的核心思想是基于 Barlow Twins 框架开发自监督学习，其下游任务为内镜图像分类，并集成三元组损失与 focal loss 函数。自监督框架与 focal loss 函数用于克服类别不平衡数据，而三元组损失函数用于应对内镜图像中类间/类内的领域特定属性问题。在 Hyper--Kvasir 数据集病理发现图像上的大量实验研究表明，尽管使用的是简单神经网络模型，我们所提系统总体上优于对比方法。这意味着所提系统可高效使用，并能够准确分类 GI tract 中的病理图像。
引用
@article{arxiv.2303.01672,
title = {Self-supervised Learning for Gastrointestinal Pathologies Endoscopy Image Classification with Triplet Loss},
author = {Tai Nguyen-D-P},
journal= {arXiv preprint arXiv:2303.01672},
year = {2023}
}
备注
arXiv admin comment: This version has been removed by arXiv administrators as the submitter did not have the rights to agree to the license at the time of submission