ConPro: Learning Severity Representation for Medical Images using Contrastive Learning and Preference Optimization

要約

医療診断において画像に示される状態の重症度を理解することは非常に重要であり、臨床評価、治療、および長期的な進行の評価の重要なガイドとして機能します。
この論文は、Contrastive learningintegrated Preference Optimization を使用した医療画像の重症度評価のための新しい表現学習方法 Con-PrO を提案します。
クラス間の距離を最大化する従来の対照学習方法とは異なり、ConPrO は、さまざまな重症度クラスと通常クラスの間の距離優先知識を潜在ベクトルに注入します。
私たちは、フレームワークの主要なコンポーネントを体系的に調べて、対照的な予測タスクが価値のある表現をどのように取得するかを明らかにします。
私たちの表現学習フレームワークが、特徴空間で貴重な重大度の順序付けを提供しながら、分類タスクに関して以前の最先端の方法を上回るパフォーマンスを示すことを示します。
教師ありベースラインと自己教師ありベースラインと比較して、それぞれ 6% と 20% の相対的な改善を達成しました。
さらに、重症度指標と医療分野における優先比較の関連応用についての議論を導き出しました。

要約(オリジナル)

Understanding the severity of conditions shown in images in medical diagnosis is crucial, serving as a key guide for clinical assessment, treatment, as well as evaluating longitudinal progression. This paper proposes Con- PrO: a novel representation learning method for severity assessment in medical images using Contrastive learningintegrated Preference Optimization. Different from conventional contrastive learning methods that maximize the distance between classes, ConPrO injects into the latent vector the distance preference knowledge between various severity classes and the normal class. We systematically examine the key components of our framework to illuminate how contrastive prediction tasks acquire valuable representations. We show that our representation learning framework offers valuable severity ordering in the feature space while outperforming previous state-of-the-art methods on classification tasks. We achieve a 6% and 20% relative improvement compared to a supervised and a self-supervised baseline, respectively. In addition, we derived discussions on severity indicators and related applications of preference comparison in the medical domain.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google