SupReMix:基于Mixup的医学影像回归监督对比学习
机器学习
2025-03-25 v4 人工智能
计算机视觉与模式识别
摘要
在医学图像分析中,回归在计算机辅助诊断中起着关键作用。它支持诸如从结构影像预测年龄、心功能量化以及从PET扫描进行分子测量等定量测量。尽管深度学习已在这些任务上展现出前景,大多数方法仅专注于优化回归损失或模型架构,忽视了所学特征表示的质量,而其对鲁棒的临床预测至关重要。直接将为分类设计的表示学习技术应用于回归,常导致潜空间中碎片化的表示,产生次优性能。在本文中,我们认为医学图像回归中对比学习的潜力因忽视两个关键方面而被掩盖:序位感知与难例性。为应对这些挑战,我们提出基于Mixup的医学影像回归监督对比学习(SupReMix)。它在嵌入层级将以锚点为中心的混合(锚点与一相异负样本的混合)作为难负对,以锚点排斥的混合(两个相异负样本的混合)作为难正对。该策略通过整合更丰富的序位信息来构造更难的对比对。通过理论分析与在涵盖MRI、X射线、超声和PET模态的六个数据集上的广泛实验,我们证明SupReMix促进了连续有序的表示,显著提升了回归性能。
引用
@article{arxiv.2309.16633,
title = {SupReMix: Supervised Contrastive Learning for Medical Imaging Regression with Mixup},
author = {Yilei Wu and Zijian Dong and Chongyao Chen and Wangchunshu Zhou and Juan Helen Zhou},
journal= {arXiv preprint arXiv:2309.16633},
year = {2025}
}
备注
The first two authors equally contributed to this work. Previously titled "Mixup Your Own Pair", content extended and revised