通过类激活地图进行医学图像的粗细视觉表示学习

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 深度神经网络需要大型,精心注释的数据集,在医疗领域获得这些数据是昂贵和耗时的.
• 粗略的标签,如二进制正常/异常分类,为训练医学图像分析模型提供了具有成本效益的替代方案.
• 开发方法来利用这些粗略的标签来学习强大的和可转移的表示对于推进医疗AI至关重要.

研究的目的:

• 调查粗略标记数据集在医学成像中学习可转移表示的实用性.
• 提出和评估CAMContrast,一个新的两阶段表示学习框架,旨在有效利用二进制标签.
• 在各种下游医学成像任务中展示学习表征的概括性和效率.

主要方法:

• 对于医疗图像,CAMContrast采用了两阶段的表示学习方法.
• 它利用从二进制标签 (正常与异常) 中生成的类激活地图 (CAM) 来创建对比学习的积极观点.
• 该框架优化了一个学习目标,以最大限度地提高图像热图对中的一致性,学习细粒度,可概括的表示.

主要成果:

• 在公共数据集 (基金照片,胸部X射线) 上进行实证验证,用于分类和细分任务.
• 与其他自我监督和监督的预训练方法相比,CAMContrast表现优越.
• 该方法在数据效率和下游任务执行方面都显示出显著的优势.

结论:

• 粗略标记的数据集对于学习医学成像中的可转移表示是有价值的.
• CAMContrast有效地利用二进制标签和CAM来学习高质量,可概括的医疗图像表示.
• 拟议的框架为高效和有效的医疗人工智能开发提供了一个有希望的方向,特别是在低标签的场景中.