3DTINC: 基于时间等变非对比学习的长期 OCT 预测疾病进展模型
原文中文，约400字，阅读约需1分钟。发表于：。提出一种基于非对比学习的新的纵向自监督学习方法 3DTINC，利用特定于 OCT 的数据增强来学习 3D 光学相干断层扫描（OCT）体积的扰动不变特征，实验证明使用这种方法学习到的时间信息对于预测视网膜疾病（如年龄相关性黄斑变性（AMD））的进展至关重要，该方法对于从纵向体积扫描中预测疾病进展有着实际意义。
3D深度学习模型在医学影像领域中起重要作用，但规模带来挑战。2.5D方法结合2D和3D技术，提供有效利用3D体积数据的途径。本文探索基于CNNs、LSTM和Transformer的2.5D架构，并利用2D非对比性预训练方法提高性能和数据效率。在两个大型OCT数据集上展示了该架构在预测AMD进展方面的有效性。
