一个一般的全球和本地预培训框架,用于3D医学图像细分3D医学图像细分

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:

• 精确的医学图像分割对于手术机器人精度至关重要.
• 有限的注释医疗数据阻碍了强大的细分模型的开发.
• 现有的自我监督方法难以利用全球和本地图像特征.

研究的目的:

• 为体积医学图像细分开发一种新的自我监督的预培训框架.
• 为了应对医学成像中有限的注释所带来的挑战.
• 为了提高针对外科应用的目标细分的准确性.

主要方法:

• 提出了使用3D解剖结构和特定任务线索的预培训框架.
• 引入了多个子任务来学习体积医学图像结构的内在模式.
• 设计了一个多层次的背景立方体对比学习策略,以增强特征表示.

主要成果:

• 在有限的注释设置下,与现有的自我监督学习技术相比,取得了显著的改进.
• 使用仅五个标记的CT卷,在基线的6%以内证明了性能.
• 在两个公开可用的数据集上进行了广泛的评估.

结论:

• 拟议的自主监督方法有效地对体积医学图像进行细分,并提供有限的注释.
• 该方法成功地整合了全球解剖信息和当地特征差异.
• 这项工作为更强大,更有效的医疗图像细分模型铺平了道路.