集群导向双子对比学习用于内分显微镜图像分类
IEEE journal of biomedical and health informatics
|February 15, 2024
概括
这项研究引入了一种新的集群引导双对比学习框架 (CTCL),用于使用基于探针的共聚焦激光内微镜 (pCLE) 图像改进胃肠道瘤分类,以有限的数据增强表示学习.
科学领域:
- 医学图像分析 医学图像分析
- 计算机辅助诊断 计算机辅助诊断
- 机器学习 机器学习
背景情况:
- 由于有限的注释数据集,学习医学图像分析的区分特征具有挑战性.
- 开发有效的代表性学习方法对于计算机辅助诊断至关重要.
研究的目的:
- 提出一种新的集群导向双对比学习框架 (CTCL),用于从有限规模的,未标记的基于探针的共聚焦激光内分显微镜 (pCLE) 图像中学习歧视性表示.
- 为了改善类内紧密性和类间变异性,在胃肠 (GI) 瘤分类中提供更多信息的表示.
主要方法:
- 开发了一个以聚类为指导的双对比学习框架 (CTCL),将语义相关和与类一致的样本对齐.
- 通过将旋转和不同噪声的PCLE图像作为同一个实例来处理内置的几何不变性和噪声耐受性.
- 使用端到端期望最大化框架优化CTCL.
主要成果:
- 与最先进的方法相比,基于CTCL的表示实现了具有竞争力的性能,稳定性和可转移性.
- 在线性评估和少数射击分类任务中分别获得了75.60%/78.45%和64.12%/77.37%的top-1精度,超过了以前的最佳结果.
- 在已学习的嵌入空间中证明了更好的类内紧密性和类间可变性.
结论:
- 从有限的pCLE数据中,CTCL有效地学习了用于胃肠道瘤分类的歧视性表示.
- 拟议的方法提供了一个有前途的方法,用于自动化,快速和高精度的胃肠道瘤诊断.
- 使用PCLE图像,CTCL有可能帮助病理学家确定瘤发育阶段.
