弱监督位置对比学习：在肝硬化分类中的应用
计算机视觉与模式识别
2023-09-20 v3 人工智能
机器学习
摘要
大型医学影像数据集可以用低置信度弱标签（如放射学评分）廉价快速地标注。而获取高置信度标签（如基于组织学的诊断）则稀少且昂贵。预训练策略（如对比学习（CL）方法）可利用未标注或弱标注数据集。这些方法通常需要大批量大小，在 full resolution 大型三维图像的情况下因 GPU 内存有限而构成困难。然而，关于每个二维切片空间上下文的体素位置信息对某些医学应用可能非常重要。在本工作中，我们提出一种高效的弱监督位置（WSP）对比学习策略，通过基于核的通用损失函数将每个二维切片的空间上下文与弱标签相整合。我们借助大量弱标注图像（即放射学低置信度标注）和小型强标注（即高置信度）数据集，在肝硬化预测上阐释了该方法。所提模型在内部数据集上相较基线模型将分类 AUC 提升了 5%，在来自癌症基因组图谱的公开 LIHC 数据集上提升了 26%。代码见：https://github.com/Guerbet-AI/wsp-contrastive。
引用
@article{arxiv.2307.04617,
title = {Weakly-supervised positional contrastive learning: application to cirrhosis classification},
author = {Emma Sarfati and Alexandre Bône and Marc-Michel Rohé and Pietro Gori and Isabelle Bloch},
journal= {arXiv preprint arXiv:2307.04617},
year = {2023}
}
备注
MICCAI 2023