对于自我监督的医疗图像细分的边界意识信息最大化

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 医疗成像医学成像

背景情况:

• 自主监督的表示学习提高了在具有有限标记数据的任务上的模型性能.
• 对比式学习是一种流行的自我监督方法,但在图像细分方面面临挑战,因为在密集特征图中定义正负对的困难.
• 现有的方法,如信息不变集群 (IIC) 在分割无监督学习的优化,集群一致性,和边界表示有局限性.

研究的目的:

• 为图像细分提出一种新的自我监督的预培训方法,克服对比学习和IIC的局限性.
• 为了增强对分段任务的本地图像表示的学习.
• 提高自我监督学习在医疗图像细分中的有效性.

主要方法:

• 利用信息不变集群 (IIC) 来进行局部图像表示的无监督学习.
• 引入一个规范化的相互信息最大化目标,以便在图像转换中实现平衡和一致的集群.
• 提出基于交叉相关性的边界意识损失函数,以改善区域代表性.

主要成果:

• 拟议的方法有效地学习用于图像分割的局部表示,而不需要正负对.
• 在四个医疗图像细分任务的实验结果显示,与最先进的自我监督和半监督方法相比,显著提高了性能.
• 该方法通过最小的标记数据实现了接近完全监督的性能.

结论:

• 这种新的自我监督方法显著推进了图像细分领域,特别是在数据稀缺的情况下.
• 该方法通过集群可视化提供了增强的解释性.
• 这项工作为医疗图像细分提供了强大的工具,减少了大量手动注释的需要.