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

自监督学习（SSL）在医学影像中具有有效的表示学习潜力，但数据增强的选择至关重要且具有特定领域性。目前尚不确定通用的增强策略是否适用于外科手术应用。在本研究中，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当的数据增强策略。我们证明了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，它显著优于现有基线。此外，DDA的优化增强集合为应用对比学习于医学应用时的特定领域依赖提供了见解。例如，虽然色调对自然图像是一种有效的增强，但对腹腔镜图像并不优势。

自监督学习在医学图像中具有潜力进行有效的表示学习，但数据增强的选择对于特定领域至关重要。本文旨在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手术应用的数据增强策略。

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当的数据增强策略。DDA在导航大型搜索空间方面的有效性和效率得到了证明，并成功地识别出适合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，证明了其相对于现有基线的显著改进。此外，DDA的优化增强集合为在医学应用中应用对比学习时的特定领域依赖关系提供了洞察力。

最近的相关研究包括《Unsupervised Learning of Visual Representations by Solving Jigsaw Puzzles》和《Momentum Contrast for Unsupervised Visual Representation Learning》等。