The success of deep learning methods in medical image segmentation tasks heavily depends on a large amount of labeled data to supervise the training. On the other hand, the annotation of biomedical images requires domain knowledge and can be laborious. Recently, contrastive learning has demonstrated great potential in learning latent representation of images even without any label. Existing works have explored its application to biomedical image segmentation where only a small portion of data is labeled, through a pre-training phase based on self-supervised contrastive learning without using any labels followed by a supervised fine-tuning phase on the labeled portion of data only. In this paper, we establish that by including the limited label in formation in the pre-training phase, it is possible to boost the performance of contrastive learning. We propose a supervised local contrastive loss that leverages limited pixel-wise annotation to force pixels with the same label to gather around in the embedding space. Such loss needs pixel-wise computation which can be expensive for large images, and we further propose two strategies, downsampling and block division, to address the issue. We evaluate our methods on two public biomedical image datasets of different modalities. With different amounts of labeled data, our methods consistently outperform the state-of-the-art contrast-based methods and other semi-supervised learning techniques.


翻译:在医学图像分割任务中,深层次学习方法的成功在很大程度上取决于大量有标签的数据,以监督培训。另一方面,生物医学图像的说明需要领域知识,而且可能耗费大量精力。最近,对比性学习在学习图像的潜在代表性方面显示出巨大的潜力,即使没有任何标签。现有作品探索了生物医学图像分割应用,其中只有一小部分数据通过基于自我监督的对比学习的培训前阶段,而无需使用任何标签,随后还要有监督的微调阶段,仅对标记的数据部分进行监管。在本文中,我们通过在培训前阶段的形成中加入有限标签来确立这一点,有可能提高对比性学习的绩效。我们提出了一种受监督的本地对比性损失,它利用了有限的像素智慧的注释,将具有同一标签的像素与在嵌入空间周围聚集在一起。这种损失需要采用比素方法,而对于大型图像来说成本可能比较昂贵,我们进一步提出了两种战略,即下标和块分割,以解决这一问题。我们用两种不同的方法来评估我们公共生物医学图像结构的对比性方法,我们用不同的方法来评估不同的方法。我们用不同的方法来评估。

0
下载
关闭预览

相关内容

【MIT】反偏差对比学习,Debiased Contrastive Learning
专知会员服务
90+阅读 · 2020年7月4日
【Google】监督对比学习,Supervised Contrastive Learning
专知会员服务
74+阅读 · 2020年4月24日
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
Multi-Task Learning的几篇综述文章
深度学习自然语言处理
15+阅读 · 2020年6月15日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
vae 相关论文 表示学习 1
CreateAMind
12+阅读 · 2018年9月6日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Arxiv
7+阅读 · 2020年10月9日
Deep Co-Training for Semi-Supervised Image Segmentation
VIP会员
Top
微信扫码咨询专知VIP会员