Weakly-supervised positional contrastive learning: application to cirrhosis classification

要約

大規模な医療画像データセットには、信頼性の低い弱いラベル (放射線スコアなど) を安価かつ迅速に付けることができます。
組織学に基づく診断など、信頼性の高いラベルを利用できることはまれであり、費用がかかります。
対照学習 (CL) 法のような事前トレーニング戦略は、ラベルのないデータセットまたは弱いアノテーションが付けられたデータセットを活用できます。
これらの方法では通常、大きなバッチ サイズが必要ですが、GPU メモリが限られているため、最大解像度で大きな 3D 画像を処理する場合に問題が生じます。
それにもかかわらず、各 2D スライスの空間コンテキストに関する体積位置情報は、一部の医療用途では非常に重要になる場合があります。
この研究では、一般的なカーネルベースの損失関数を介して、各 2D スライスの空間コンテキストと弱いラベルの両方を統合する、効率的な弱教師位置 (WSP) 対比学習戦略を提案します。
大量の弱くラベルされた画像、つまり放射線学的に信頼度の低いアノテーションと、強くラベルされた(つまり、信頼性が高い)小さなデータセットを使用した肝硬変予測方法を説明します。
提案されたモデルは、内部データセットのベースライン モデルと比較して、分類 AUC を 5% 改善し、Cancer Genome Atlas の公開 LIHC データセットでは 26% 改善しました。
コードは https://github.com/Guerbet-AI/wsp-contrastive から入手できます。

要約(オリジナル)

Large medical imaging datasets can be cheaply and quickly annotated with low-confidence, weak labels (e.g., radiological scores). Access to high-confidence labels, such as histology-based diagnoses, is rare and costly. Pretraining strategies, like contrastive learning (CL) methods, can leverage unlabeled or weakly-annotated datasets. These methods typically require large batch sizes, which poses a difficulty in the case of large 3D images at full resolution, due to limited GPU memory. Nevertheless, volumetric positional information about the spatial context of each 2D slice can be very important for some medical applications. In this work, we propose an efficient weakly-supervised positional (WSP) contrastive learning strategy where we integrate both the spatial context of each 2D slice and a weak label via a generic kernel-based loss function. We illustrate our method on cirrhosis prediction using a large volume of weakly-labeled images, namely radiological low-confidence annotations, and small strongly-labeled (i.e., high-confidence) datasets. The proposed model improves the classification AUC by 5% with respect to a baseline model on our internal dataset, and by 26% on the public LIHC dataset from the Cancer Genome Atlas. The code is available at: https://github.com/Guerbet-AI/wsp-contrastive.

arxiv情報

著者 Emma Sarfati,Alexandre Bône,Marc-Michel Rohé,Pietro Gori,Isabelle Bloch
発行日 2023-07-12 15:04:16+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.CV, cs.LG パーマリンク