基于软标签的 Siamese 网络在筛查乳腺 X 光片上的无监督病灶检测与图像块预训练

自监督学习已成为预训练深度学习模型并将其迁移以执行下游任务的一种流行方式。然而，这些方法大多数是在包含具有清晰纹理、轮廓和明显颜色对比的自然物体的大规模图像数据集上开发的。这些方法对于医学成像是否同样有效仍然不确定，因为在医学成像中，感兴趣区域通常与周围组织微妙且模糊地融合在一起。在本研究中，我们提出了一种替代方法，使用对侧乳腺 X 光片来训练神经网络，当图像对包含两张正常图像时编码相似的嵌入，当图像对包含正常和异常图像时编码不同的嵌入。我们的方法利用人体的自然对称性作为弱标签，以完全无监督的方式学习将异常病灶与背景组织区分开来。我们的研究结果表明，通过将源自图像对嵌入之间欧氏距离的软标签纳入 Siamese 网络损失函数中，这是可行的。与现有的自监督学习方法相比，我们的方法在乳腺 X 光片图像块分类中表现出优越的性能。这种方法不仅有效地利用了大量图像数据，而且最大限度地减少了对昂贵标签的依赖，这在医学成像领域是一个显著优势。