摘要

在医学图像分析领域，获取高质量数据及其由专家进行标注的成本构成了诸多医学应用中的主要障碍。目前大多数技术均基于监督学习框架，需要大量标注数据才能实现令人满意的性能。作为替代方案，本文提出一种自监督学习（Self-Supervised Learning, SSL）方法，旨在从磁共振（MR）视频片段的帧中学习空间解剖结构表征，用于膝关节疾病诊断。所提出的预训练模型能够学习具有语义意义且对空间上下文不变的特征表示。本文的下游任务为类别不平衡的多标签分类任务。通过一系列实验验证表明，预训练模型所学习到的特征在下游任务中表现出具有竞争力的性能。此外，实验结果还显示出，该预训练模型在无需任何针对数据集不平衡问题的特殊处理策略的情况下，仍能有效且可靠地学习少数类别的表征。据我们所知，本工作是首个在MR视频数据上展示自监督学习算法在类别不平衡多标签分类任务中有效性和可靠性的研究。本文所提出方法的评估代码已公开，获取地址为：https://github.com/sadimanna/skid。