自主监督卷积神经网络的近似中间特征地图,以学习胸部X射线图中的硬正表示
Kyungjin Cho1, Ki Duk Kim2, Jiheon Jeong1
1Department of Bioengineering, Asan Medical Institute of Convergence Science and Technology, Asan Medical Center, 88 Olympic-Ro 43-Gil Songpa-Gu, Seoul, 05505, South Korea.
Journal of imaging informatics in medicine
|February 21, 2024
概括
中间特征近似 (IFA) 损失通过改善没有额外增强的积极表示来增强医疗图像的对比学习. 这种方法可以提高分类和GAN逆转等任务的性能,尤其是在有限的数据的情况下.
科学领域:
- 人工智能的人工智能
- 医学成像分析 医学成像分析
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 对比式学习推进了深度学习,但在医学成像中面临积极表示的挑战.
- 强大的增强可以破坏对比学习,因为微妙的医学图像差异.
研究的目的:
- 引入中间特征近似 (IFA) 损失,以改善医学成像中的对比学习.
- 为了增强积极的表现焦点,而无需额外的数据增强.
主要方法:
- 拟议的IFA损失,以最大限度地提高原始数据的中间特征图和正对之间的共弦相似性.
- 综合IFA损失与InfoNCE损失用于全面的表示学习.
- 对分类,对象检测和生成对抗网络 (GAN) 倒置任务的评估性能.
主要成果:
- IFA损失显著改善了对比卷积神经网络的性能.
- 在克服数据不平衡和稀缺方面表现出有效性.
- 展示了作为GAN反转感知损失编码器的实用性.
结论:
- IFA损失提供了一种新的方法来增强医学图像的对比学习.
- 该方法提高了模型的稳定性和性能在各种下游任务.
- 公开发布的模型鼓励进一步的研究和合作.
