用于脊柱 MRI 的自监督学习
计算机视觉与模式识别
2017-08-02 v1
摘要
在临床环境中接受扫描的很大一部分患者进行了随访扫描。我们在这项工作中表明，仅此类纵向扫描即可作为一种“免费”的自监督形式用于训练深度网络。我们针对 T2 加权矢状位腰椎磁共振图像（MRIs）展示了这种自监督学习。使用两个损失函数训练 Siamese 卷积神经网络（CNN）：（i）关于扫描是否属于同一人（即纵向）的对比损失，以及（ii）预测椎体水平的分类损失。然后在分级分类任务上评估该预训练网络的性能。我们在包含 1016 名受试者的数据集上进行了实验，其中 423 名具有随访扫描，最终目标是学习附着在椎间盘上的椎间盘退变放射学分级。我们表明，预训练 CNN 在监督分类任务上的性能（i）优于从零开始训练的网络；并且（ii）达到与从零开始训练的网络相当的性能所需的标注训练样本要少得多。
引用
@article{arxiv.1708.00367,
title = {Self-Supervised Learning for Spinal MRIs},
author = {Amir Jamaludin and Timor Kadir and Andrew Zisserman},
journal= {arXiv preprint arXiv:1708.00367},
year = {2017}
}
备注
3rd Workshop on Deep Learning in Medical Image Analysis