通过注意力意识网络进行联合光盘和杯子细分的自主监督预训.

科学领域:

• 医学图像分析 医学图像分析
• 深度学习 (Deep Learning) 是一种深度学习.
• 计算机视觉 计算机视觉

背景情况:

• 监督图像分割需要广泛的像素级标签,这是耗时和劳动密集的,特别是在医学成像中.
• 光盘和杯子细分的挑战包括为全球环境设计高效的网络和使用有限的,隐私敏感的医疗数据进行培训.

研究的目的:

• 开发一个高效的深度学习模型用于光盘和杯子细分.
• 解决医疗图像细分中的数据稀缺性和隐私问题的局限性.
• 为了在光盘和杯子细分方面实现最先进的性能.

主要方法:

• 在编码器-解码器网络中设计了一种新的注意力意识细分模型,用于捕捉全球语义和远程依赖.
• 引入了一种新的损失函数,以结合对光杯在光盘内的位置的先前知识.
• 为无监督的特征表示学习提出了自我监督的对比学习方法,随后与拟议的损失函数进行了微调.

主要成果:

• 拟议的方法在公共基准 (DRISHTI-GS和REFUGE数据集) 上取得了新的最先进的性能.
• 在各自的数据集上获得了0.9801和0.9087的F1分数.
• 在光盘和杯子细分方面表现出卓越的有效性,即使训练数据有限.

结论:

• 开发的注意力意识模型和自我监督的对比学习方法有效地解决了医疗图像细分方面的挑战.
• 该方法为准确高效的光盘和光杯细分提供了有前途的解决方案,特别是在数据稀缺的情况下.
• 公开可用的代码将促进该领域的进一步研究和应用.