論文の概要: Mitigating Spurious Invariance in Contrastive Learning: A Probabilistic Self-Supervised Learning Framework for Medical Image Analysis
- arxiv url: http://arxiv.org/abs/2611.05734v1
- Date: Tue, 03 Nov 2026 23:10:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:57.89961
- Title: Mitigating Spurious Invariance in Contrastive Learning: A Probabilistic Self-Supervised Learning Framework for Medical Image Analysis
- Title(参考訳): 医用画像解析のための確率論的自己監督型学習フレームワーク
- Abstract要約: 複数の自己教師付き学習アプローチをシームレスに統合する統一確率的フレームワークを提案する。
本手法は,様々なダウンストリームタスクにおいて,最先端のSSL方式よりも優れた性能を実現する。
さらに,高強度化に対するロバスト性,限定された微調整ラベルの下でのラベル効率,計算トレードオフなどの分析により,本手法の有効性を検証した。
- 参考スコア(独自算出の注目度): 7.708073081591139
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Owing to the prohibitive cost of manual annotation for enormous medical images, self-supervised learning (SSL) has gained substantial attention and shown promise in various medical imaging tasks. Among SSL approaches, contrastive learning has emerged as a prominent one, encouraging models to encode semantic information that remains invariant between different augmented views. However, this invariance can be spurious for medical images, as subtle but critical medical features can be suppressed during augmentations. In this paper, we mitigate this issue by encoding the learned feature embeddings as probability distributions rather than fixed vectors, thus capturing a richer and more nuanced spectrum of information. Furthermore, we propose a unified probabilistic framework that seamlessly integrates multiple SSL approaches. Our method achieves superior performance over the state-of-the-art SSL methods on various downstream tasks across multiple datasets, including medical image segmentation and classification. We further validate the method through additional analyses of robustness to stronger augmentations, label efficiency under limited fine-tuning labels, and computational trade-offs. The code is released at https://github.com/wwzjer/ProbSSL.
- Abstract(参考訳): 巨大な医用画像に対する手動アノテーションの禁止コストのため、自己監督学習(SSL)が注目され、様々な医用画像タスクにおいて有望であることが示されている。
SSLアプローチの中で、対照的な学習が顕著なものとして現れ、異なる拡張ビュー間で不変なセマンティック情報をモデルにエンコードするよう奨励している。
しかし、この不均一性は、微妙ではあるが重要な医学的特徴が増強の過程で抑制されるため、医学的イメージに拍車をかけることができる。
本稿では,学習した特徴埋め込みを固定ベクトルではなく確率分布として符号化することでこの問題を軽減する。
さらに,複数のSSLアプローチをシームレスに統合する統一確率的フレームワークを提案する。
本手法は,医用画像のセグメント化や分類など,複数のデータセットにまたがる様々なダウンストリームタスクにおいて,最先端のSSL手法よりも優れた性能を実現する。
さらに,高強度化に対するロバスト性,限定された微調整ラベルの下でのラベル効率,計算トレードオフなどの分析により,本手法の有効性を検証した。
コードはhttps://github.com/wwzjer/ProbSSLで公開されている。
関連論文リスト
- Domain-Specific Self-Supervised Representation Learning for Retinal Fundus Classification [0.0]
自己教師付き学習は、ラベルのないデータから有用な表現を学ぶための有望な代替手段として登場した。
本研究では,眼底画像からの網膜疾患分類のためのSSLフレームワークSimSiamとSimCLRについて検討する。
網膜画像の特徴に対する改善戦略の調整が,性能向上に重要な役割を担っていることを示す。
論文 参考訳(メタデータ) (2026-08-27T06:44:04Z) - Gen-SIS: Generative Self-augmentation Improves Self-supervised Learning [52.170253590364545]
Gen-SISは、ラベルのない画像データにのみ訓練された拡散ベースの拡張技術である。
これらの自己増強、すなわちバニラSSLエンコーダの埋め込みに基づく生成増強は、より強力なSSLエンコーダのトレーニングを促進することを示す。
論文 参考訳(メタデータ) (2024-12-02T16:20:59Z) - OTCXR: Rethinking Self-supervised Alignment using Optimal Transport for Chest X-ray Analysis [6.4136876268620115]
自己教師付き学習(SSL)は,X線などの医学的モダリティを解析するための有望な手法として登場した。
我々は,OTCXRを提案する。OTCXRは最適なトランスポート(OT)を利用して,密接なセマンティック不変性を学習する新しいSSLフレームワークである。
我々はOTCXRの有効性を3つの公開胸部X線データセットの総合的な実験により検証した。
論文 参考訳(メタデータ) (2024-04-18T02:59:48Z) - Zero-Shot Learning by Harnessing Adversarial Samples [52.09717785644816]
本稿では,HAS(Harnessing Adversarial Samples)によるZSL(Zero-Shot Learning)アプローチを提案する。
HASは3つの重要な側面を考慮に入れた敵の訓練を通じてZSLを前進させる。
本稿では,ZSLと一般化ゼロショット学習(GZSL)の両シナリオにおいて,敵対的サンプルアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2023-08-01T06:19:13Z) - Consistency Regularisation in Varying Contexts and Feature Perturbations
for Semi-Supervised Semantic Segmentation of Histology Images [14.005379068469361]
この課題を軽減するために,一貫性に基づく半教師付き学習(SSL)アプローチを提案する。
SSLモデルは、コンテキストの変更や、限られたトレーニングデータのために一般化が不十分な特徴の摂動にも影響する可能性がある。
相互整合性トレーニングにより、エンコーダの特徴が異なる摂動に不変となり、予測信頼性が向上することを示す。
論文 参考訳(メタデータ) (2023-01-30T18:21:57Z) - GraVIS: Grouping Augmented Views from Independent Sources for
Dermatology Analysis [52.04899592688968]
皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。
GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
論文 参考訳(メタデータ) (2023-01-11T11:38:37Z) - PCRLv2: A Unified Visual Information Preservation Framework for
Self-supervised Pre-training in Medical Image Analysis [56.63327669853693]
本稿では,ピクセルレベルの情報を高レベルなセマンティクスに明示的にエンコードするための画素復元タスクを提案する。
また,画像理解を支援する強力なツールであるスケール情報の保存についても検討する。
提案されている統合SSLフレームワークは、さまざまなタスクで自己管理されたフレームワークを超越している。
論文 参考訳(メタデータ) (2023-01-02T17:47:27Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳(メタデータ) (2022-07-24T07:45:47Z) - Medical Instrument Segmentation in 3D US by Hybrid Constrained
Semi-Supervised Learning [62.13520959168732]
3DUSにおける楽器セグメンテーションのための半教師付き学習フレームワークを提案する。
SSL学習を実現するため、Dual-UNetが提案されている。
提案手法は,Diceの約68.6%-69.1%,推定時間約1秒を実現している。
論文 参考訳(メタデータ) (2021-07-30T07:59:45Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。