A Novel Collaborative Self-Supervised Learning Method for Radiomic Data

要約

放射線データからのコンピュータ支援疾患診断は、多くの医療アプリケーションで重要です。
ただし、このような技術の開発は、放射線画像に注釈を付けることに依存しています。これは、時間と労力がかかり、費用のかかるプロセスです。
この作業では、テキストや画像データとは特性が異なるラベル付きラジオミック データが不十分であるという課題を解決するための、最初の新しい協調的自己教師あり学習方法を提示します。
これを達成するために、関心領域間の潜在的な病理学的または生物学的関係と、被験者間の類似性および非類似性情報を調査する2つの共同口実タスクを提示します。
私たちの方法は、放射線データから堅牢な潜在的特徴表現を共同で学習し、人間による注釈の努力を減らし、病気の診断に役立ちます。
シミュレーション研究と2つの独立したデータセットで、提案した方法を他の最先端の自己教師あり学習方法と比較しました。
広範な実験結果により、分類タスクと回帰タスクの両方で、私たちの方法が他の自己教師あり学習方法よりも優れていることが実証されました。
さらに改良することで、私たちの方法は、利用可能な大規模なラベルなしデータを使用した自動疾患診断における潜在的な利点を示しています。

要約(オリジナル)

The computer-aided disease diagnosis from radiomic data is important in many medical applications. However, developing such a technique relies on annotating radiological images, which is a time-consuming, labor-intensive, and expensive process. In this work, we present the first novel collaborative self-supervised learning method to solve the challenge of insufficient labeled radiomic data, whose characteristics are different from text and image data. To achieve this, we present two collaborative pretext tasks that explore the latent pathological or biological relationships between regions of interest and the similarity and dissimilarity information between subjects. Our method collaboratively learns the robust latent feature representations from radiomic data in a self-supervised manner to reduce human annotation efforts, which benefits the disease diagnosis. We compared our proposed method with other state-of-the-art self-supervised learning methods on a simulation study and two independent datasets. Extensive experimental results demonstrated that our method outperforms other self-supervised learning methods on both classification and regression tasks. With further refinement, our method shows the potential advantage in automatic disease diagnosis with large-scale unlabeled data available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google