用元数据增强的对比学习来自视网膜光学连贯性断层扫描图像

科学领域:

• 医学成像医学成像
• 深度学习是一种深度学习.
• 计算机视觉 计算机视觉 计算机视觉

背景情况:

• 深度学习模型可以自动化疾病查和医学图像的分级.
• 在自然图像上进行对比学习预训练,为标签效率高的医学图像分析提供了强大的功能.
• 传统的对比方法在医学图像转换和关于图像不相似性的假设方面面临挑战,特别是在纵向数据集中.

研究的目的:

• 解决医学成像中传统对比学习的局限性.
• 开发一种以元数据增强的策略,以改善医学图像分析中的特征提取.
• 利用患者的元数据来近似真正的图像间关系,以便更好地进行对比预训练.

主要方法:

• 扩展了传统的对比框架,采用了增强元数据的策略.
• 利用患者身份,眼睛位置和时间序列数据来近似图像间对比关系.
• 将这种方法应用于与年龄相关的黄斑变性 (AMD) 患者的视网膜光学连贯性断层扫描 (OCT) 图像的大型纵向数据集.

主要成果:

• 用元数据增强的方法在六个下游任务中的五个中超过了标准的对比方法和视网膜图像基础模型.
• 在低数据和高数据方案中,在AMD阶段和类型分类以及视力敏度预测方面都证明了好处.
• 成功地将疾病进展的时间动态纳入预训练,使用元数据.

结论:

• 用元数据增强的对比学习为医学图像分析提供了一个强大的策略,特别是在纵向研究中.
• 该方法是模块化的,允许快速和成本效益的评估元数据在对比预训练的好处.
• 这种方法显示了推进自动查,监测和等级等疾病的巨大潜力.