SSL-CPCD：用于提升内镜图像分析泛化能力的复合 pretext-class 判别自监督学习
计算机视觉与模式识别
2023-06-02 v1 人工智能
机器学习
摘要
数据驱动的方法在医学图像分析中取得了巨大进展。在此背景下，基于深度学习的监督方法广受欢迎。然而，它们需要大量训练数据，并且在泛化到未见过的数据集时面临问题，阻碍了临床转化。内镜成像数据具有较大的患者间和患者内变异性，使得这些模型更难以学习用于下游任务的代表性特征。因此，尽管有公开可用的数据集和医院内可生成的数据集，大多数监督模型仍然表现不佳。虽然自监督学习在自然场景数据中已在一定程度上解决了该问题，但在医学图像领域仍存在显著的性能差距。在本文中，我们提出探索块级实例-组判别，并在余弦相似度度量中使用加性角间隔惩罚类间变异。我们的新方法使模型能够学习聚类相似的代表性块，从而提升其更好区分不同类别的能力。我们的结果证明了在所有指标上相较最先进（SOTA）方法在同分布和多样数据集测试集上的显著提升。我们评估了我们的方法在分类、检测和分割上的表现。SSL-CPCD 在溃疡性结肠炎分类上达到 79.77% 的 Top 1 准确率，在息肉检测上达到 88.62% 的 mAP，在分割任务上达到 82.32% 的 dice 相似系数，分别比基线架构高出近 4%、2% 和 3%。我们还证明我们的方法比所有 SOTA 方法更好地泛化到未见过的数据集，在我们的泛化性评估中报告了近 7% 的提升。
引用
@article{arxiv.2306.00197,
title = {SSL-CPCD: Self-supervised learning with composite pretext-class discrimination for improved generalisability in endoscopic image analysis},
author = {Ziang Xu and Jens Rittscher and Sharib Ali},
journal= {arXiv preprint arXiv:2306.00197},
year = {2023}
}
备注
10