多ConDoS:多模式对比域共享生成对抗网络用于自主监督的医疗图像分割

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 自主监督的医疗图像细分面临着领域转移和多式联络数据有限使用的挑战.
• 现有的方法往往难以在不同的数据分布中进行概括,或整合来自多种成像模式的信息.

研究的目的:

• 开发一种有效的多式模式对比自主监督医疗图像细分方法.
• 解决现有方法中领域转移和多模式性的局限性.

主要方法:

• 拟议的多模式对抗性域名共享 (Multi-ConDoS) 生成对抗性网络.
• 集成的多式模式对比学习,CycleGAN和Pix2Pix用于域翻译.
• 引入了新的领域共享层,用于学习特定领域和共享信息.

主要成果:

• 多ConDoS显著优于最先进的自我监督和半监督方法,仅使用5%或10%的标记数据.
• 达到与完全监督的方法相比或优于完全监督的方法的性能,标记数据显著减少.
• 废弃性研究证实了所有提议改进的有效性.

结论:

• 多ConDoS展示了卓越的医疗图像细分性能,大幅减少了标签工作量.
• 该方法有效地利用多模式数据,并减轻自主监督学习中的领域转移问题.