自我监督学习提高深度学习对 CT 图像差异的肺肿瘤分割的鲁棒性
原文中文，约300字，阅读约需1分钟。发表于：。自我监督学习（SSL）是一种从无标签数据中提取有用特征表示并在有限标记样本的下游任务中进行精细调整的方法。本论文比较了基于自然数据和自我预训练的转换器模型在医学图像分析中的鲁棒性，发现自然预训练模型对肺肿瘤分割的 CT 图像差异具有更高的适应性，同时 Swin 架构从这种预训练中受益更多。
通过自监督预训练生成适用于肺部超声分析的神经网络特征提取器，提高了受试者工作特性曲线面积。紧凑非线性分类器在预训练模型输出的特征上训练，推理时间缩短了49%。自监督预训练在仅使用1%标签进行训练时优于全监督模型。自监督预训练有助于生成肺部超声分类器的初始权重。
