医学图像数据集的自监督可视化
计算机视觉与模式识别
2024-07-26 v2
摘要
基于数据增强的自监督学习方法（如 SimCLR、BYOL 或 DINO）能够获取图像数据集的语义上有意义的表示，并广泛用于监督微调之前。最近的一种自监督学习方法 -SimCNE 使用对比学习直接训练适合可视化的 2D 表示。当应用于自然图像数据集时，-SimCNE 产生了具有语义有意义聚类的 2D 可视化。在本工作中，我们使用 -SimCNE 可视化了医学图像数据集，包括来自皮肤病学、组织学和血液显微镜的示例。我们发现，与用于自然图像的数据增强相比，将数据增强集合扩展为包含任意旋转，在类可分性方面改善了结果。我们的 2D 表示展示了医学相关的结构，可用于辅助数据探索和标注，改进了常见的数据可视化方法。
引用
@article{arxiv.2402.14566,
title = {Self-supervised Visualisation of Medical Image Datasets},
author = {Ifeoma Veronica Nwabufo and Jan Niklas Böhm and Philipp Berens and Dmitry Kobak},
journal= {arXiv preprint arXiv:2402.14566},
year = {2024}
}