摘要

标注完整的胸部X光图像数据集的有限可用性是医学影像方法发展中的一个显著瓶颈。自监督学习（Self-supervised Learning, SSL）可通过在无标注数据上训练模型来缓解这一问题。此外，自监督预训练在自然图像的视觉识别任务中已取得令人瞩目的成果，但在医学图像分析领域尚未得到充分关注。本文提出一种新型自监督方法——DINO-CXR，该方法基于视觉Transformer架构，对自监督学习方法DINO进行了针对性改进，专用于胸部X光图像分类。通过对比分析，验证了所提方法在肺炎及COVID-19检测任务中的有效性。定量评估结果表明，该方法在分类准确率方面优于现有最先进方法，同时在AUC和F-1分数上达到相当水平，且所需标注数据量显著减少。