合成特权信息增强医学图像表示学习
计算机视觉与模式识别
2024-03-11 v1 人工智能
机器学习
组织与器官
摘要
多模态自监督表示学习已被一致证明是医学图像分析中一种非常有效的方法，能够提供强大的任务性能并产生具有生物学意义的见解。然而，这些方法严重依赖大型配对数据集，这在不存在配对数据或仅有少量可用数据的场景中限制了其应用。相比之下，图像生成方法可以在非常小的数据集上良好运行，并能在非配对数据集之间找到映射，这意味着可以生成实际上无限量的配对合成数据。在这项工作中，我们证明了通过合成生成配对信息可以显著改善表示学习，无论是与在单模态数据上训练相比（误差减少高达 4.4 倍），还是与在真实多模态配对数据集上训练相比（误差减少高达 5.6 倍）。
引用
@article{arxiv.2403.05220,
title = {Synthetic Privileged Information Enhances Medical Image Representation Learning},
author = {Lucas Farndale and Chris Walsh and Robert Insall and Ke Yuan},
journal= {arXiv preprint arXiv:2403.05220},
year = {2024}
}