自我FI:自主监督的学习以诊断 Fundus Images 中的疾病
Toan Duc Nguyen1, Duc-Tai Le2, Junghyun Bum3
1Department of AI Systems Engineering, Sungkyunkwan University, Suwon 16419, Republic of Korea.
Bioengineering (Basel, Switzerland)
|September 28, 2023
概括
这项研究引入了一种新的自我监督学习方法,用于分类超广场 fundus 图像 (UFI),显著改善疾病检测. 该方法使用对比学习来实现使用更少标记数据的最先进性能.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 自主监督学习 (SSL) 在医学成像学中表现有前途.
- 用于医学图像分类的标签数据稀缺且昂贵.
- 超广场基底图像 (UFI) 需要有效的分类方法.
研究的目的:
- 开发一种新的自主监督学习方法,用于UFI分类.
- 在医学图像分析中减少对大型标记数据集的依赖.
- 为了提高UFI的疾病检测准确度.
主要方法:
- 利用对比式学习来预训练深度学习模型.
- 采用双边对比学习,融合多个图像视图.
- 集成的多模式预训练与传统的 fundus 图像 (CFI).
主要成果:
- 在UFI分类中实现了最先进的性能.
- 获得了ROC曲线下的面积 (AUC) 分数为86.96.6.
- 与现有方法相比,表现出优越的性能.
结论:
- 自主监督学习是医疗图像分析的可行和有效方法.
- 拟议的方法显示了改善临床疾病检测的潜力.
- SSL方法可以克服稀缺的标记医疗数据的局限性.
