用于医学图像的基于图的自监督表示学习 | AAAI 2021

本文提出了一种用于医学图像的上下文感知的无监督表示学习方法，其可用来量化COVID-19的临床进展，并证明能很好地泛化到来自不同医院的COVID-19患者，代码刚刚开源！

注1：文末附【医疗影像】学习交流群，小助手会拉你进群！

注2：欢迎点赞，支持分享！

Context Matters: Graph-based Self-supervised Representation Learning for Medical Images

作者单位：匹兹堡大学
代码：https://github.com/batmanlab/Context_Aware_SSL
论文（已收录于AAAI 2021）：https://arxiv.org/abs/2012.06457

监督学习方法需要大量带注释的数据集。收集此类数据集既耗时又昂贵。到目前为止，很少有带注释的COVID-19成像数据集。

尽管自监督学习使我们能够通过利用未标记的数据来引导训练，但是用于自然图像的通用自监督方法并未充分融合上下文。对于医学图像，一种理想的方法应该足够灵敏，以检测与每个解剖区域正常出现的组织的偏离；在这里，anatomy is the context。

我们介绍了一种具有两个level的自监督的表示学习目标的新颖方法：一个在区域解剖level ，另一个在患者level。我们使用图神经网络来合并不同解剖区域之间的关系。该图的结构由每个患者与解剖图谱之间的解剖对应关系告知。

另外，图表示具有以全分辨率处理任何大小的图像的优点。在大型肺部计算机断层扫描（CT）数据集上进行的实验表明，我们的方法与不考虑上下文的基线方法相比具有优势。

实验结果

我们使用学习的嵌入来量化COVID-19的临床进展，并表明我们的方法可以很好地泛化到来自不同医院的COVID-19患者。定性结果表明我们的模型可以识别图像中的临床相关区域。

已建立CVer-医疗影像微信交流群！想要进医疗影像学习交流群的同学，可以直接加微信号：CVer6666。加的时候备注一下：医疗影像+学校+昵称，即可。然后就可以拉你进群了。