DDA: Dimensionality Driven Augmentation Search for Contrastive Learning in Laparoscopic Surgery

自监督学习（SSL）在医学影像的有效表示学习方面具有潜力，但数据增强的选择关键且具有特定领域性。目前尚不确定通用增强策略是否适用于手术应用。在这项工作中，我们通过一种称为“维度驱动增强搜索”（DDA）的新方法自动搜索适合的增强策略。DDA利用深度表示的局部维度作为代理目标，并在对比学习中可微分地搜索适合的数据增强策略。我们展示了DDA在导航大型搜索空间和成功识别适合腹腔镜手术的数据增强策略方面的有效性和效率。我们在三个腹腔镜图像分类和分割任务中系统评估了DDA，其中它显著优于现有基线。此外，DDA的优化增强集提供了在医学应用中应用对比学习时的特定领域依赖的见解。例如，虽然色调对自然图像是一种有效的增强方法，但对于腹腔镜图像并不具有优势。

本文旨在自动化搜索适用于腹腔镜手术的数据增强策略，以提高医学图像中的自监督学习表现。

本文提出了一种新方法，称为“Dimensionality Driven Augmentation Search (DDA)”，通过对深层表示的局部维度进行可微分搜索，寻找适合对比学习的数据增强策略，从而自动搜索适用于腹腔镜手术的数据增强策略。

本文系统评估了DDA在三个腹腔镜图像分类和分割任务中的性能，并展示了DDA在搜索空间中的有效性和效率，成功地识别出适用于腹腔镜手术的数据增强策略。此外，DDA的优化增强集提供了在医学应用中应用对比学习时的领域特定依赖性的见解。

最近在医学图像中自监督学习方面的相关研究包括：“Unsupervised deep learning for pelvic organ segmentation in MRI”和“Self-supervised learning for medical image analysis: A survey”。