螺旋对比学习：一种面向无标注 CT 病灶的高效三维表征学习方法
计算机视觉与模式识别
2022-08-24 v1
摘要
带有病理标注的计算机断层扫描（CT）样本难以获取。因此，计算机辅助诊断（CAD）算法在小数据集上训练（如含 1,018 个样本的 LIDC-IDRI），限制了其准确性与可靠性。过去五年中，若干工作通过二维（2D）与三维（3D）自监督学习（SSL）算法定制了 CT 病灶的无监督表征。2D 算法难以捕捉 3D 信息，现有 3D 算法计算负担重。轻量级 3D SSL 仍是待探索的边界。本文提出螺旋对比学习（SCL），以计算高效的方式产生 3D 表征。SCL 首先利用保信息的螺旋变换将 3D 病灶变换到 2D 平面，随后使用 2D 对比学习学习变换不变特征。在增广方面，我们考虑自然图像增广与医学图像增广。我们通过在嵌入层上训练分类头评估 SCL。实验结果表明，SCL 在无监督表征学习上于 LIDC-IDRI（89.72%）、LNDb（82.09%）与 TianChi（90.16%）达到最先进准确率。使用 10% 标注数据微调时，SCL 性能可与监督学习算法媲美（LIDC-IDRI 上 85.75% vs. 85.03%，LNDb 上 78.20% vs. 73.44%，TianChi 上 87.85% vs. 83.34%）。同时，SCL 相较其他 3D SSL 算法减少 66.98% 计算量，展示了所提方法在无监督预训练中的高效性。
引用
@article{arxiv.2208.10694,
title = {Spiral Contrastive Learning: An Efficient 3D Representation Learning Method for Unannotated CT Lesions},
author = {Penghua Zhai and Enwei Zhu and Baolian Qi and Xin Wei and Jinpeng Li},
journal= {arXiv preprint arXiv:2208.10694},
year = {2022}
}