多模式自我监督的视网膜血管细分
Pengshuai Yin1, Jingqi Zhang2, Huichou Huang3
1Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ), Shenzhen, China.
概括
这项研究引入了一种新的自我监督方法,用于使用未标记的多式联络 fundus 图像进行视网膜血管细分. 它显著减少了注释需求,同时实现了最先进的结果.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 自动视网膜血管细分对于诊断眼睛疾病至关重要.
- 有限的注释医疗数据集阻碍了深度学习模型的性能.
- 自主监督学习为利用未标记的数据提供了一个有希望的解决方案.
研究的目的:
- 开发一种新的自我监督预训框架,用于视网膜血管细分.
- 为了利用未标记的多式联运基金图像来产生监管信号.
- 通过融合多式联运特征来提高细分精度.
主要方法:
- 使用了一对未标记的多式联运基金图像.
- 员工视觉变压器编码和相关过功能融合.
- 构建了一个包含船舶信息的多式联动功能融合地图.
- 使用INFOMAX损失学习了实例级别的区分特征.
- 将学到的知识转移到受监督的细分网络中.
主要成果:
- 在无监督的方法中实现了最先进的性能.
- 与监管基线相比,已证明具有竞争力的结果.
- 显著降低了手动注释的要求.
- 验证了多式联运特征融合在船舶细分方面的有效性.
结论:
- 拟议的自我监督框架有效地利用未标记的多式联络数据进行视网膜血管细分.
- 这种方法大大降低了注释成本和要求.
- 它为完全监管的方法提供了可行的替代方案,特别是在低数据的制度中.


