Semi-Supervised Relational Contrastive Learning

要約

タイトル：準教師付き関係対比学習
要約：
– 医療画像からの疾患診断は、通常、専門医による手間がかかり、誤りが生じ、コストがかかる画像ラベル付けに依存している。
– 代わりに、準教師付き学習および自己教師あり学習は、利用可能な未ラベル化された画像から価値ある洞察を獲得することにより効果的である。
– 準教師付き関係対比学習（SRCL）は、自己教師あり関係対比損失とサンプル関係の一貫性を利用した、新しいセミ教師あり学習モデルである。
– SRCLモデルの実験では、前提（対比学習）と下流（診断分類）タスクの事前学習/微調整と共同学習を両方探索している。
– ISIC 2018 Challengeベンチマークの皮膚病変分類データセットで検証し、ラベル化されたデータの量に応じたセミ教師あり方法の効果を実証している。

要約(オリジナル)

Disease diagnosis from medical images via supervised learning is usually dependent on tedious, error-prone, and costly image labeling by medical experts. Alternatively, semi-supervised learning and self-supervised learning offer effectiveness through the acquisition of valuable insights from readily available unlabeled images. We present Semi-Supervised Relational Contrastive Learning (SRCL), a novel semi-supervised learning model that leverages self-supervised contrastive loss and sample relation consistency for the more meaningful and effective exploitation of unlabeled data. Our experimentation with the SRCL model explores both pre-train/fine-tune and joint learning of the pretext (contrastive learning) and downstream (diagnostic classification) tasks. We validate against the ISIC 2018 Challenge benchmark skin lesion classification dataset and demonstrate the effectiveness of our semi-supervised method on varying amounts of labeled data.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI