一种新的协作自主监督学习方法,用于放射性数据

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 无线电学 (Radiomics) 是一种无线电学.

背景情况:

• 基于放射性数据的计算机辅助疾病诊断至关重要,但由于标记放射性图像的昂贵过程而受到阻碍.
• 与文本或标准图像相比,现有的方法难以处理放射性数据的独特特性.

研究的目的:

• 提出一种新的协作自主监督学习方法,以应对缺乏标记放射性数据的挑战.
• 在开发疾病诊断技术方面减少人类注释的努力.

主要方法:

• 开发了一个针对放射性数据量身定制的协作自主监督学习框架.
• 引入了两个借口任务,以探索潜在的病理关系和跨主体数据的相似性/不相似性.
• 从未标记的放射性数据中学习了强大的潜伏特征表示.

主要成果:

• 拟议的方法在分类和回归任务上都超过了最先进的自我监督学习技术.
• 在模拟研究和两个独立数据集中表现出卓越的性能.
• 验证了减少对人类注释的依赖以诊断疾病的有效性.

结论:

• 这种新的协作自主监督学习方法有效地从放射性数据中学习特征表示.
• 这种方法显示了使用大规模未标记数据集进行自动疾病诊断的巨大潜力.
• 进一步细化可以提高其在临床环境中的实用性.