无监督的当地对医疗图像的歧视

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:

• 由于注释成本,无监督学习,特别是对比学习,对于医学图像分析至关重要.
• 现有的方法主要学习全球特征,忽视医学图像解释所必需的微细局部细节.

研究的目的:

• 开发一个新的无监督表示学习框架,局部歧视 (LD),用于医疗图像.
• 通过嵌入语义上类似的像素和在图像中识别类似的结构来捕捉本地歧视性特征.

主要方法:

• 拟议的局部歧视 (LD) 框架使用了像素智能的嵌入模块和分段的集群模块.
• 一个新的区域歧视损失函数统一了这些模块,使结构信息的反映和像素智能和区域智能相似性的测量成为可能.
• LD被扩展到开发一个中心敏感的一次性地标定位算法和一个形状引导的交叉模式细分模型.

主要成果:

• 通过LD学习的表示方法在12个下游任务中表现出卓越的概括性,超过了18种最先进的方法.
• LD实现了显著的性能提升,特别是在具有挑战性的医疗损伤细分任务中.
• 该框架成功地整合了像素级和区域级的功能学习.

结论:

• 局部歧视 (LD) 提供了一种强大的无监督方法来学习医学图像中的歧视性特征.
• LD框架提高了下游医疗图像分析任务的性能和通用性,包括里程碑本地化和跨模式细分.
• 专注于局部细节对于在医学成像中推进无监督表示学习至关重要.