GMIM:自主监督的3D医疗图像分割预培训与自适应和层次化蒙面图像建模的3D医疗图像分割

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 计算机视觉 计算机视觉

背景情况:

• 医学成像中的深度学习在数据注释方面面临挑战.
• 现有的自我监督的方法往往缺乏灵活性,以应对各种下游任务.
• 医学自主监督学习避免了在自然图像预培训中常见的领域转移问题.

研究的目的:

• 开发一个灵活的和一般的自我监督的预培训方法,用于3D医学图像细分.
• 通过图像重建,使网络能够学习解剖结构之间的相关性.
• 提高医疗视觉变压器对新任务的适应能力.

主要方法:

• 拟议的网格面具图像建模 (GMIM),用于医疗视觉转换器的自我监督方法.
• 使用一个语框架,在线和目标分支.
• 在多个尺度上学习图像特征的适应性,层次化掩盖策略.
• 在目标行业使用对比学习来减少代表冗余.

主要成果:

• 与其他自我监督方法相比,GMIM在3D医疗图像细分方面表现出卓越的性能.
• 该方法有效地学习器官和组织之间的相关性,不变于疾病或模式.
• 在两个公共数据集上的实验验证证证了该方法的有效性.

结论:

• 格子面具图像建模为3D医疗图像细分提供了一个灵活和可通用的自主监督的预培训策略.
• 提出的方法增强了解剖关系的学习,提高了细分的准确性.
• 这种方法解决了医疗深度学习中任务特定预培训的局限性.