两阶段自主监督的对比式学习辅助变压器用于实时医疗图像分割

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:

• 高质量的注释医疗数据集很少,阻碍了细分任务的执行.
• 自主监督的预培训,特别是对比学习,通过利用未标记的数据提供了一个解决方案.
• 现有的方法在医疗图像细分中与有限的注释卷作斗争.

研究的目的:

• 为医疗图像开发一个自我监督的语义细分框架,以有限的注释.
• 使用内在数据相似性来增强解剖区域的区别.
• 通过一种新的并行变压器模块来提高细分性能.

主要方法:

• 一个自我监督的融合网络,结合了细分和对比的损失,以区分解剖区域.
• 一个高效的并行变压器模块,利用多视图多尺度功能融合和深度智能功能.
• 一个多编码器变压器架构自主监督训练,然后通过有限的注释数据进行微调,用于大脑瘤细分.

主要成果:

• 拟议的多编码器变压器模型在三个医疗图像细分任务中显著改善了结果.
• 该框架有效地利用内在的解剖学相似性来增强细分.
• 当该解决方案在各种医学图像数据集上验证时,其性能优于最先进的方法.

结论:

• 自主监督学习与融合网络和并行变压器模块相结合,为医疗图像细分提供了强大的解决方案,注释有限.
• 拟议的方法有效地增强了解剖特征的区别,并实现了卓越的性能.
• 这种方法在推进医学图像分析和临床应用方面具有重大潜力.