SupReMix:用于医学成像回归与混合的监督对比学习
Yilei Wu1, Zijian Dong2, Chongyao Chen3
1Centre for Sleep and Cognition & Centre for Translational Magnetic Resonance Research, Yong Loo Lin School of Medicine, National University of Singapore, Singapore; Healthy Longevity & Human Potential Translational Research Program and Department of Medicine, Yong Loo Lin School of Medicine, National University of Singapore, Singapore.
Medical image analysis
|January 11, 2026
概括
我们介绍SupReMix,这是一种用于医学图像回归的新型对比学习方法. SupReMix通过整合平凡性和硬度来改善特征表示,从而显著改善诊断预测.
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
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 回归对于定量医学图像分析至关重要 (例如,年龄预测,心脏功能).
- 当前的深度学习方法往往忽视特征表示质量,阻碍了可靠的临床预测.
- 用于分类的表示学习并不直接转化为回归任务.
研究的目的:
- 通过解决特征表示的局限性来增强基于深度学习的医学图像回归.
- 提出一种新的对比学习框架,以回归任务的平凡性和硬度为理由.
- 通过更好的特征学习,提高计算机辅助诊断的准确性和稳定性.
主要方法:
- 建议监督对比学习用于医学成像回归与混合 (SupReMix).
- SupReMix使用包括的混合物作为硬负面对,使用不含的混合物作为硬正对.
- 将更丰富的顺序信息和硬度集成到嵌入级别的对比学习中.
主要成果:
- SupReMix在潜在空间中培养了连续的有序表示.
- 在六个不同的医疗成像数据集 (MRI,X射线,超声波,PET) 中显示出回归性能的显著改善.
- 通过优化回归任务的特征表示质量,超越现有方法.
结论:
- 拟议的SupReMix方法通过学习优越的特征表示,有效地增强了医学图像回归.
- 解决对比学习中的平凡性和硬度对于推进医学图像回归至关重要.
- 通过深度表示学习,SupReMix为改善计算机辅助诊断提供了一个有希望的方向.
