Clinically Labeled Contrastive Learning for OCT Biomarker Classification

要約

この論文では、臨床データから抽出できるラベルに基づいて医療画像を対比学習するための、新しいポジティブおよびネガティブ セット選択戦略を紹介します。
医療分野では、診断および治療プロセスのさまざまな段階でさまざまな目的を果たすデータにさまざまなラベルが存在します。
臨床ラベルとバイオマーカーラベルが 2 つの例です。
一般に、臨床ラベルは日常の臨床ケア中に定期的に収集されるため、大量に入手する方が簡単ですが、バイオマーカー ラベルを入手するには専門家の分析と解釈が必要です。
眼科の分野では、これまでの研究で、臨床値が光干渉断層撮影 (OCT) スキャン内に現れるバイオマーカー構造と相関関係を示すことが示されています。
私たちは、教師付きコントラスト損失を使用してバックボーン ネットワークをトレーニングするための正のインスタンスと負のインスタンスを選択するために、バイオマーカー ラベルのないデータの疑似ラベルとして臨床データを使用することでこの関係を利用します。
このようにして、バックボーン ネットワークは、利用可能な臨床データの分布に合わせた表現空間を学習します。
その後、OCT スキャンから直接病気のこれらの重要な指標を分類するために、クロスエントロピー損失を伴う少量のバイオマーカーラベル付きデータを使用して、この方法でトレーニングされたネットワークを微調整します。
また、臨床造影損失の線形結合を使用する方法を提案することで、この概念を拡張します。
私たちは、さまざまな粒度のバイオマーカーを使用した新しい設定で、最先端の自己監視型メソッドに対してメソッドをベンチマークします。
バイオマーカー検出 AUROC の合計で 5% ものパフォーマンスの向上が見られました。

要約(オリジナル)

This paper presents a novel positive and negative set selection strategy for contrastive learning of medical images based on labels that can be extracted from clinical data. In the medical field, there exists a variety of labels for data that serve different purposes at different stages of a diagnostic and treatment process. Clinical labels and biomarker labels are two examples. In general, clinical labels are easier to obtain in larger quantities because they are regularly collected during routine clinical care, while biomarker labels require expert analysis and interpretation to obtain. Within the field of ophthalmology, previous work has shown that clinical values exhibit correlations with biomarker structures that manifest within optical coherence tomography (OCT) scans. We exploit this relationship by using the clinical data as pseudo-labels for our data without biomarker labels in order to choose positive and negative instances for training a backbone network with a supervised contrastive loss. In this way, a backbone network learns a representation space that aligns with the clinical data distribution available. Afterwards, we fine-tune the network trained in this manner with the smaller amount of biomarker labeled data with a cross-entropy loss in order to classify these key indicators of disease directly from OCT scans. We also expand on this concept by proposing a method that uses a linear combination of clinical contrastive losses. We benchmark our methods against state of the art self-supervised methods in a novel setting with biomarkers of varying granularity. We show performance improvements by as much as 5\% in total biomarker detection AUROC.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google