利用自监督学习和辅助学习方法提升脑部MRI切片分析任务的性能

《IEEE Journal of Biomedical and Health Informatics》：Enhancing Slice-Wise Brain MRI Tasks using Self-Supervised and Auxiliary Learning

颅咽管瘤识别和下丘脑受累检测任务中，采用自监督学习（SimCLR、DCL、VICReg）结合切片正则化（SWR）方法，通过脑MRI切片数据无需额外标注实现性能提升，F1分数分别达80.3±2.4和82.8±5.0，优于监督学习的74.4±4.9和65.4±6.5

　　

摘要：

在使用深度学习进行医学图像处理时，一个反复出现的挑战是需要大量的标注数据集来解决临床相关任务。这类数据难以获取，因为通常需要高度的专业技能和大量的时间投入。自监督学习（SSL）允许模型在使用特定任务的标注样本之前，从未标注的数据中学习与任务无关的特征表示，从而解决下游任务。在这项工作中，我们专注于颅咽管瘤识别（CPGR）和下丘脑受累检测（DHI）任务。我们比较了使用监督学习通过2D卷积网络在这些任务中获得的结果，以及使用SSL加上微调后获得的结果。测试了三种SSL方法：SimCLR、解耦对比学习（DCL）和方差-不变性-协方差正则化（VICReg），这些方法使用了结构性脑磁共振成像（MRI）的切片数据。我们还引入了一种新的辅助学习任务——切片级正则化（SWR），该任务旨在防止模型在使用脑MRI数据集解决问题时使连续切片的表示变得不相关。所提出的辅助方法的一个显著特点是它不需要任何额外的人工注释，并且利用了MRI的固有结构特性。我们比较了使用SSL和SWR的不同配置方法在两个下游任务上的性能与使用监督学习获得的结果。我们的方法（SSL + SWR）在统计上取得了显著改进，CPGR的F1分数为80.3 ± 2.4，DHI的F1分数为82.8 ± 5.0，而使用监督学习时，CPGR的F1分数为74.4 ± 4.9，DHI的F1分数为65.4 ± 6.5。