SWSSL:基于滑动窗口的自我监督学习,用于在高分辨率图像中检测异常.

科学领域:

• 医学成像分析分析 医学成像分析
• 计算机视觉 计算机视觉 计算机视觉
• 机器学习是机器学习.

背景情况:

• 异常检测 (AD) 对于识别异常实例至关重要,但由于学习难度呈指数级增加,高分辨率医学图像带来了重大挑战.
• 目前的方法往往通过改变图像的大小来损害诊断细节,这不适合临床实践.

研究的目的:

• 开发一种有效的异常检测方法,用于高分辨率的医学图像,而不影响诊断细节.
• 解决在补丁级训练神经网络的挑战,例如不一致的图像结构和更高的方差.

主要方法:

• 提出了一种补丁级训练和推理策略,使用滑动窗口算法处理高分辨率图像.
• 专注于网络的目标是学习增强不变特征,并研究医学成像特定的增强.
• 引入了一个新型模块,以利用相邻补丁的信息来提高检测性能.

主要成果:

• 在乳腺图解和胸部X射线数据集上的异常检测准确度取得了显著改善.
• 在图像级分类中,曲线下的面积 (AUC) 与现有的领先技术相比增加了8.03%和5.66%.
• 验证了学习增强不变特征的有效性,并结合了相邻的补丁信息.

结论:

• 补丁级方法有效地使得高分辨率医疗图像中的异常检测成为可能,保留了关键的诊断细节.
• 通过学习增强不变特征和利用上下文补丁信息,拟议的方法显著提高了检测性能.
• 这种技术为改善医学成像分析的诊断准确性提供了有希望的解决方案.