A clinically motivated self-supervised approach for content-based image retrieval of CT liver images

要約

CT肝臓画像のコンテンツベースの画像検索（CBIR）のための深層学習ベースのアプローチは、活発な研究分野ですが、いくつかの重大な制限があります。
まず、ラベル付けされたデータに大きく依存しているため、取得が困難でコストがかかる可能性があります。
第二に、それらは透明性と説明性に欠けており、それが深いCBIRシステムの信頼性を制限しています。
これらの制限に対処するには、（1）ドメイン知識をトレーニング手順に組み込む自己教師あり学習フレームワークを提案し、（2）CT肝臓画像のCBIRのコンテキストで最初の表現学習の説明可能性分析を提供します。
結果は、いくつかのメトリックにわたる標準の自己監視アプローチと比較してパフォーマンスが向上し、データセット全体の一般化が向上したことを示しています。
さらに、CBIRのコンテキストで最初の表現学習の説明可能性分析を実行します。これにより、特徴抽出プロセスへの新しい洞察が明らかになります。
最後に、提案されたフレームワークの有用性を実証する、相互審査CBIRを使用したケーススタディを実行します。
提案されたフレームワークは、ラベルのないデータをうまく活用できる信頼できるディープCBIRシステムを作成する上で重要な役割を果たすことができると信じています。

要約(オリジナル)

Deep learning-based approaches for content-based image retrieval (CBIR) of CT liver images is an active field of research, but suffers from some critical limitations. First, they are heavily reliant on labeled data, which can be challenging and costly to acquire. Second, they lack transparency and explainability, which limits the trustworthiness of deep CBIR systems. We address these limitations by (1) proposing a self-supervised learning framework that incorporates domain-knowledge into the training procedure and (2) providing the first representation learning explainability analysis in the context of CBIR of CT liver images. Results demonstrate improved performance compared to the standard self-supervised approach across several metrics, as well as improved generalisation across datasets. Further, we conduct the first representation learning explainability analysis in the context of CBIR, which reveals new insights into the feature extraction process. Lastly, we perform a case study with cross-examination CBIR that demonstrates the usability of our proposed framework. We believe that our proposed framework could play a vital role in creating trustworthy deep CBIR systems that can successfully take advantage of unlabeled data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google