自主监督的伪多类预培训,用于在医学图像中无人监督的异常检测和细分
Yu Tian1, Fengbei Liu2, Guansong Pang3
1Harvard Ophthalmology AI Lab, Harvard Medical School, United States of America.
Medical image analysis
|September 1, 2023
概括
我们介绍了通过对比学习 (PMSACL) 进行伪多类强增,这是一种新的自我监督预训方法. PMSACL通过创建正常和合成异常图像的密集集群来增强医学成像中的无监督异常检测 (UAD),提高疾病检测的准确性.
科学领域:
- 医学图像分析 医学图像分析
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 无监督异常检测 (UAD) 在医疗图像分析 (MIA) 中至关重要,因为训练数据主要包含正常图像.
- 目前的UAD方法难以学习有效的表示,导致各种异常的检测不佳.
- 现有的自主监督学习预培训方法对于UAD是不理想的,缺乏领域知识集成和有效的正常数据聚类.
研究的目的:
- 提出一种新的自我监督的预培训方法,PMSACL,以加强MIA的UAD.
- 提高UAD方法的灵敏度,以检测和细分看不见的异常病变.
- 通过结合领域知识和促进密集的特征集群来解决现有的预培训策略的局限性.
主要方法:
- 通过对比学习 (PMSACL) 开发了伪多类强增,这是一个新的预训练方法.
- PMSACL采用了一种优化策略,将正常图像与合成的异常伪类进行对比.
- 每个类 (正常和伪异常) 都被训练在特征空间中形成一个密集的集群.
主要成果:
- 预先培训PMSACL显著提高了最先进的UAD方法的准确性.
- 在多个MIA基准中表现出有效性,包括结肠镜检查, fundus查和COVID-19胸部X射线数据集.
- 拟议的方法提高了UAD检测和细分各种类型异常的能力.
结论:
- 在医疗成像中,PMSACL为UAD提供了一种卓越的自我监督的预培训策略.
- 该方法有效地解决了从正常的训练数据中学习强大的图像表示的挑战.
- 在各种医学成像数据集上,PMSACL显示了广泛的适用性和改进的性能.
