
-
生物通官微
陪你抓住生命科技
跳动的脉搏
进化驱动的预潜在特征优化方法EvoLatent-FS:面向胃肠道内窥镜图像的表示学习框架
《BioData Mining》:An evolutionary guided framework for robust latent representation learning in gastrointestinal endoscopy images: EvoLatent-FS
【字体: 大 中 小 】 时间:2026年10月09日 来源:BioData Mining 7.9
编辑推荐:
摘要由于高视觉变异性、微妙的病理差异以及显著的类别不平衡,从胃肠道内窥镜图像中学习鲁棒且具有判别性的特征表示仍然极具挑战性。虽然变分自编码器(VAE)在无监督和半监督表示学习中展现了潜力,但直接从高维深度特征构建潜在空间往往会导致冗余且与临床无关的表示。在本研究中,我们提出了
由于高视觉变异性、微妙的病理差异以及显著的类别不平衡,从胃肠道内窥镜图像中学习鲁棒且具有判别性的特征表示仍然极具挑战性。虽然变分自编码器(VAE)在无监督和半监督表示学习中展现了潜力,但直接从高维深度特征构建潜在空间往往会导致冗余且与临床无关的表示。在本研究中,我们提出了一种名为EvoLatent-FS的进化驱动的深度学习特征方法,在潜在建模之前直接优化特征表示。所提出的方法引入了一个中间进化优化阶段,在变分编码之前对深度特征表示进行精炼,这与当前方法形成对比——现有方法要么在表示学习之后进行特征选择,要么直接对原始深度特征应用潜在学习。该架构在抑制多余视觉输入的同时保留了具有诊断相关性的模式,从而能够学习更加结构化且具有判别性的潜在空间。该框架的三个主要部分包括:使用变分自编码器进行潜在表示学习、通过二值特征掩码进行基于种群的进化特征优化,以及使用卷积主干网络进行深度特征提取。所提出的方法通过将会特征优化与潜在建模分离,并将其直接置于变分编码之前,构建了一条独特的表示学习流水线,以适应胃肠道内窥镜成像的挑战。在已标注的胃肠道内窥镜图像数据集上进行的广泛实验表明,所提出的框架相较于直接对未优化的深度特征应用潜在建模的传统流水线,能够产生更紧凑的潜在表示并实现更好的下游分类性能。这些发现证明了进化引导的预潜在特征优化作为一种新颖且有原则的医学图像表示学习方法的有效性。
由于高视觉变异性、微妙的病理差异以及显著的类别不平衡,从胃肠道内窥镜图像中学习鲁棒且具有判别性的特征表示仍然极具挑战性。虽然变分自编码器(VAE)在无监督和半监督表示学习中展现了潜力,但直接从高维深度特征构建潜在空间往往会导致冗余且与临床无关的表示。在本研究中,我们提出了一种名为EvoLatent-FS的进化驱动的深度学习特征方法,在潜在建模之前直接优化特征表示。所提出的方法引入了一个中间进化优化阶段,在变分编码之前对深度特征表示进行精炼,这与当前方法形成对比——现有方法要么在表示学习之后进行特征选择,要么直接对原始深度特征应用潜在学习。该架构在抑制多余视觉输入的同时保留了具有诊断相关性的模式,从而能够学习更加结构化且具有判别性的潜在空间。该框架的三个主要部分包括:使用变分自编码器进行潜在表示学习、通过二值特征掩码进行基于种群的进化特征优化,以及使用卷积主干网络进行深度特征提取。所提出的方法通过将会特征优化与潜在建模分离,并将其直接置于变分编码之前,构建了一条独特的表示学习流水线,以适应胃肠道内窥镜成像的挑战。在已标注的胃肠道内窥镜图像数据集上进行的广泛实验表明,所提出的框架相较于直接对未优化的深度特征应用潜在建模的传统流水线,能够产生更紧凑的潜在表示并实现更好的下游分类性能。这些发现证明了进化引导的预潜在特征优化作为一种新颖且有原则的医学图像表示学习方法的有效性。