19、医学图像分析中的无监督特征学习：残差稀疏自编码器探索

医学图像分析中的无监督特征学习：残差稀疏自编码器探索

1. 引言

医学图像分析在辅助医学专家了解人体内部器官、识别不同组织特征方面发挥着重要作用。与现实世界中常见的通用图像不同，医学数据难以区分和定义特定细粒度任务的特征，因为即使是非常微小的结构也需要清晰可见才能保证分析效果。而且，与通用图像视觉应用中可能有足够带真实标签的图像用于训练通用机器学习模型不同，医学图像尤其是包含疾病异常的患者数据更难收集，手动标注需要大量专业知识且耗时，这推动了无监督学习方法的广泛研究。

无监督学习方法从传统的主成分分析、稀疏编码到基于神经网络的方法，都致力于从无标签的训练数据中提取隐藏且紧凑的特征。近年来，基于神经网络的无监督方法在不同视觉应用中表现出色，主要分为数据分布近似模型（如受限玻尔兹曼机）和重建误差最小化策略（如自编码器）。自编码器（AE）通过设置目标值等于输入数据来学习潜在特征，为了更有效地学习特征，引入了稀疏约束，形成了稀疏自编码器（SAE）。

本研究旨在探索一种用于医学图像分析的新型无监督学习（自学学习）框架。在医学图像处理任务中，目标数据通常是不同患者的特定器官或感兴趣区域，区分异常组织和正常组织的差异较小，如何在不丢失微小结构的情况下学习医学数据的潜在紧凑特征是细粒度医学任务的关键问题。传统的基于AE的特征学习方法在重建输入数据时不可避免地会产生重建残差误差，导致一些微小结构无法被表示，即使采用多层堆叠策略也无法恢复之前层中丢失的微小结构。因此，本文引入了残差SAE来学习原始输入数据中更多微小结构的潜在特征表示。

2. 相关工作

2.1 无监督学习方法

无监督学习作为一种机器学习技术，已在计算机视觉、社交媒体服