用于医学图像分类的自监督学习：每类约100个标注训练样本即可达到最先进性能
计算机视觉与模式识别
2023-09-08 v2
摘要
自监督深度学习（DL）用于医学图像分析，是否已经能够严肃替代端到端训练的有监督 DL 这一事实标准？我们针对医学图像分类探讨这一问题，特别关注该领域当前最具限制性的因素之一：标注数据的（非）可用性。基于三种常见医学成像模态（骨髓显微镜、胃肠内镜、皮肤镜）和公开数据集，我们在无标签自蒸馏（DINO）框架下分析了自监督 DL 的性能。在学习得到不依赖图像标签的图像表示后，应用常规机器学习分类器。这些分类器使用系统性变化的标注数据量（每类 1–1000 个样本）进行拟合。利用所学图像表示，我们仅使用可用标注数据的 1% 至 10% 以及每类约 100 个标注样本，就在全部三种成像模态和数据集上取得了最先进的分类性能。
引用
@article{arxiv.2304.05163,
title = {Self-supervision for medical image classification: state-of-the-art performance with ~100 labeled training samples per class},
author = {Maximilian Nielsen and Laura Wenderoth and Thilo Sentker and René Werner},
journal= {arXiv preprint arXiv:2304.05163},
year = {2023}
}