ReFs:用于3D医疗图像细分的混合预训练范式

科学领域:

• 人工智能的人工智能
• 计算机视觉 计算机视觉
• 医疗成像医学成像

背景情况:

• 自主监督学习 (SSL) 在医疗图像细分方面表现出色,但通常使用一个两阶段过程,其中SSL不了解下游任务,导致功能表现不足.
• 标准的SSL范式涉及无监督的表示学习,其次是监督的微调,这可能会由于任务不可知预训练而限制性能.

研究的目的:

• 引入混合预培训范式,参考引导自主监督学习 (ReFs),将监督目标集成到SSL过程中.
• 通过让SSL意识到下游任务,提高医疗图像细分的特征表示质量.

主要方法:

• 提出了一种混合的预训练模式,将自我监督和监督的目标结合起来.
• 在SSL过程中将现成的医疗图像细分任务作为监督的参考进行了整合.
• 开发了一种渐变匹配方法,以从SSL和参考任务中对齐特征提取器更新.

主要成果:

• 通过鼓励SSL和引用任务的低预测损失,证明了更好的表示质量.
• 在七个下游医疗图像细分基准上展示了有效性.
• 在大规模的未标记和参考数据集上验证了ReFs范式.

结论:

• 提出的参考引导自主监督学习 (ReFs) 范式有效地改善了医疗图像细分.
• 将监督任务集成到SSL中可以通过调整学习目标来增强特征表示.
• 在医学图像分析中,ReFs为推进自我监督学习提供了一个有希望的方向.