Sep, 2023

自我监督预训练对放射影像诊断任务影响的调查

PDF
TL;DR自监督预训练在医学图像诊断任务中通过改善特征表示进而提高了下游任务性能，尤其是在无标注样本数量远远超过有标注样本数量时。该综述总结了近期在 X 射线、计算机断层扫描、磁共振和超声成像领域中应用自监督预训练与全监督学习相比较的研究，最重要的发现是自监督预训练普遍提高了诊断任务的性能。基于综合证据，为考虑使用自监督学习的实践者提供了相关的建议，同时针对当前研究中存在的局限性，提出了未来研究的方向与实践，如将临床知识与理论基础的自监督学习方法结合、在公共数据集上进行评估、扩展对超声成像领域的研究证据，以及表征自监督预训练对泛化性能的影响。
发现论文，激发创造
  • 自监督预训练改善多种肺部超声解读任务的性能和推理效率

    通过自监督预训练可以生成适用于多种 B 模式肺部超声分析分类任务的神经网络特征提取器，经预训练模型在三项肺部超声任务的微调后，平均跨任务下的受试者工作特性曲线（AUC）面积分别提高了 0.032 和 0.061， 紧凑非线性分类器在单个预训练模型输出的特征上训练并不能提高所有任务的性能，但比起独立微调模型的串行执行，推理时间缩短了 49%；在仅使用 1％的标签进行训练时，预训练模型始终优于全监督模型，对于视图分类任务，最大观察到的测试 AUC 提高了 0.396。总体而言，结果表明自监督预训练有助于生成用于肺部超声分类器的初始权重。

    Sep, 2023

  • 自监督预训练策略在 M 型肺部超声中发现无肺滑动的实用性探索

    本研究探讨了在 M 模式肺超声图像的肺滑动分类任务中，进行自监督预训练对于监督微调的实用性，结果表明，相对于完全监督，自监督预训练表现更好，特别是对于未使用 ImageNet 预训练权重来初始化特征提取器的情况下。此外，包含大量未标记数据可提高外部验证集上的表现，突显了自我监督在提高自动超声识别的泛化能力方面的价值。

    Apr, 2023

  • 自监督预训练用于二维医学图像分割

    本文探讨了在医学图像分割中监督学习与自监督学习的预训练方法，发现在自监督学习方法中，使用自然图像和目标领域特定图像进行预训练可以实现最快和最稳定的收敛，在低数据场景下，将图像分类网络预训练在 ImageNet 上可以获得最佳精度。

    Sep, 2022

  • 大型自监督模型推进医学影像分类

    本研究探讨了自监督学习作为医学图像分类的预训练策略的有效性，使用领域特定的无标签医学图像进行自监督学习，并引入一种新颖的多实例对比学习 (MICLe) 方法，为医学图像分析中的皮肤病和胸部 X 光分类任务提供了更为准确的预测。

    Jan, 2021

  • 自监督预训练在皮肤病变分析中的评估

    本文比较了三种自监督预训练模型和一个有监督的基线模型，在五个数据集上进行了皮肤病变的诊断。结果表明，自监督预训练模型可以在提高准确性和降低结果的变异性方面与有监督的基线模型相媲美，尤其在数据量少的情况下表现更加稳定和优秀。

    Jun, 2021

  • 处理医学图像深度学习中的小数据集：对卷积模型进行自监督预训练的 CT 扫描上对比对比度和遮码自编码器方法的评估

    深度学习在医学影像中具有潜力，可以减少诊断错误的风险，减轻放射科医生的工作负荷并加速诊断。为了解决医学影像领域注释数据集不足的挑战，我们通过预先训练大型无注释图像数据集上的深度学习模型来实现自我监督学习，并提出了 SparK 预训练方法，它在小型数据集上表现更为稳健。

    Aug, 2023

  • 自监督无监督学习超声视频特征表示

    本研究提出一种无需人类标记学习医学影像视频有意义且可迁移表示的自监督学习方法，利用无标记数据的解剖结构实现身体结构感知任务训练，并在胎儿超声视频上进行实验以表明该方法有效。

    Feb, 2020

  • 迁移学习与自监督学习的实验比较

    通过比较在医疗领域中的迁移学习与自监督学习的性能和鲁棒性，本文从相同的源域数据集采用不同的预训练方法分别预训练了两个模型，并在小规模医疗数据集上评估了它们，以识别影响其最终性能的因素。通过比较实验测试了医疗领域中的数据失衡、数据稀缺和数据领域不匹配等常见问题对特定的预训练模型的影响。最后，提供了帮助用户在医疗领域应用迁移学习和自监督学习方法，并构建更方便和高效的部署策略的建议。

    Jul, 2024

  • 有限标注条件下的分割学习：MRI 自监督预训练中的回归和对比损失

    本文研究了两种预训练方法（回归损失和对比损失）对深度学习模型在磁共振成像下的肝脏分割和前列腺分割应用中的效果，并发现自我监督预训练减少了标记数据的需求，且基于对比损失的预训练的初始化效果更好。

    May, 2022

  • 自监督特征在医学图像分类任务中的可迁移性如何？

    本文评估了使用三种 Self-Supervised Pretraining 技术 (SimCLR、SwAV 和 DINO) 预训练的特征在医疗分类任务中的转移能力，并证明相对于监督预训练，自监督预训练模型产生了更丰富的嵌入，利于下游任务的线性评估和模型微调。此外，作者介绍了 Dynamic Visual Meta-Embedding (DVME) 作为一种端到端的迁移学习方法，并证明与单一预训练模型相比，使用 DVME 能显著提高所选任务的性能，并且可以推广到任何预训练模型的组合。

    Aug, 2021