IMPROVING CLASSIFICATION OF CORONARY ARTERYDISEASE IN CARDIAC MRI THROUGH SELFSUPERVISED LEARNING

Abstract

Bu araştırma, Koroner Arter Hastalığı'nın (KAH) Kardiyak MRI görüntüleriyle sınıflandırılmasında Öz-Denetimsiz Öğrenme'nin (Self-Supervised Learning, SSL) kullanımını incelemektedir. Çalışmanın amacı, SSL'nin etiketlenmemiş verilerden anlamlı özellikler çıkarma potansiyelinden faydalanarak tanısal doğruluğu artırmaktır. Bu, özellikle tıbbi görüntülemede, geniş çaplı manuel veri etiketlemenin zorlukları nedeniyle büyük önem taşımaktadır. Araştırma, üç farklı modelin eğitilmesini kapsamaktadır: ön eğitim ve ince ayar yöntemlerini uygulayan iki öz-denetimsiz model ve karşılaştırma için bir referans olarak işlev gören tamamen denetimli bir model. Ön metin modeli, güçlü temsiller geliştirmek amacıyla etiketlenmemiş MRG verileri üzerinde eğitilmekte ve bu temsiller, modelin modifikasyon seviyelerine bağlı olarak çeşitli son görevlerde (downstream) kullanılmaktadır. İlk modelde, ön metin modelinin (pretext) her bir parçası sabit kalmakta ve öğrenilen özellikler korunmaktadır. İkinci modelde ise, görevle ilgili özellikleri geliştirmek amacıyla alternatif katmanların eğitilmesine izin verilmektedir. Üçüncü model ise, tamamen etiketlenmiş verilerle eğitim sürecini gerçekleştirmektedir. Sonuçlar, SSL yöntemlerinin özellikle geleneksel denetimli öğrenme teknikleriyle karşılaştırıldığında sınıflandırma performansını artırdığını göstermektedir. Bu çalışma, sınırlı sayıda etiketli örnekten yüksek kaliteli özellikler çıkarma konusunda SSL'nin kapasitesini vurgulamakta ve bu sayede KAH tespit sistemlerini adversaryal tehditlere ve dağıtım dışı verilere karşı güçlendirmektedir. Modellerin karşılaştırmalı değerlendirmesi, SSL'nin, etiketli veri setlerine bağımlılığı azaltırken tamamen denetimli modellerin doğruluk seviyelerini koruyabileceğini veya aşabileceğini ortaya koymaktadır. Ayrıca, SSL ile ilgili model güvenilirliği, doğruluk ve etkili özellik çıkarımını destekleyecek iyi yapılandırılmış bir ön metin görevine duyulan ihtiyaç gibi zorluklar ve sınırlamalar ele alınmaktadır. Bulgular, SSL'nin tıbbi görüntülemede KAH tespitini iyileştirmek için umut verici bir strateji olduğunu ve daha verimli ve ölçeklenebilir tanı prosedürlerinin önünü açtığını ima etmektedir.

The study explores the implementation of Self-Supervised learning (SSL) in classifying Coronary Artery Disease (CAD) using Cardiac Magnetic Resonance Imaging (MRI). This study aims to improve diagnostic accuracy by harnessing SSL's potential to extract significant features from unlabeled data, which is crucial in medical imaging due to the difficulties associated with extensive manual labelling of data. The research encompasses the training of three models: two self-supervised models that implement transfer-learning, and a third model that employs a fully supervised approach, functioning as a reference point for evaluation. The pretext model undergoes training on unlabeled MRI data to develop strong representations, which are utilized in downstream tasks with varying levels of model modification. In the first model, every part of the pretext model remains fixed, retaining the learned features, while in the second model, alternating layers are allowed to train to improve task-specific characteristics. The third model depends entirely on labelled data for its training process. The results indicate that SSL methods enhance classification performance, particularly when contrasted with conventional supervised learning techniques. This study underscores SSL's capability to derive high-quality features from a limited number of labelled samples, thereby fortifying CAD detection systems against adversarial threats and out-of-distribution data. The comparative assessment of the models reveals SSL's potential to decrease dependence on labelled datasets while either maintaining or exceeding the accuracy levels of fully supervised models. Additionally, the research addresses the challenges and limitations associated with SSL, particularly model reliability, accuracy, and the necessity for a well structured pretext task to promote effective feature extraction. The results imply that SSL represents a promising strategy for improving CAD detection and paving the foundation for improved diagnostic procedures