TE-SSL：基于时间和事件的自监督学习用于阿尔茨海尔病病情分析
计算机视觉与模式识别
2024-07-10 v1 人工智能
摘要
阿尔茨海尔痴症（Alzheimer's Dementia, AD）是神经退行性疾病领域最迫切的挑战之一，其病情分析对于理解疾病动态、发展针对性干预措施至关重要。近期在深度学习及各类表征学习策略，包括自监督学习（SSL）方面的进展，显示出在增强医学图像分析方面具有巨大的潜力，为从复杂数据中提取有意义模式提供了创新的方式。值得注意的是，计算机视觉文献表明，在 SSL 中纳入监督信号可进一步提升模型性能，通过提供额外相关信息来指导学习过程。然而，在疾病进程分析的背景下，此类监督信号的应用仍属未充分探索的领域。尤其是将事件信息和事件发生时间信息纳入学习范式的挑战，使得此类监督信号的应用尤为困难。针对这一问题，我们提出了一种新型框架，即时序和事件感知 SSL（TE-SSL），将事件发生时间和事件数据作为监督信号，以细化学习过程。我们的定量分析表明，在下游生存分析任务中，与现有 SSL 方法相比，TE-SSL 在各标准指标上均表现出优异性能。
引用
@article{arxiv.2407.06852,
title = {TE-SSL: Time and Event-aware Self Supervised Learning for Alzheimer's Disease Progression Analysis},
author = {Jacob Thrasher and Alina Devkota and Ahmed Tafti and Binod Bhattarai and Prashnna Gyawali},
journal= {arXiv preprint arXiv:2407.06852},
year = {2024}
}
备注
8.5 pages, 2 figures, 2 tables