在医学成像中通过自我监督从解剖学学学到的基础模型

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算解剖学的计算解剖学

背景情况:

• 人体解剖学的等级性质,以局部性和组成性为特征,是医学成像的基础.
• 医疗成像中的现有自主监督学习 (SSL) 方法往往忽略了这些内在的解剖特性.
• 开发用于医学成像的基础模型需要对解剖结构有更深入的了解.

研究的目的:

• 设计一种新的SSL策略,利用人类解剖学的等级性质用于医学成像.
• 创建一个能够"理解"人类解剖学的基础模型.
• 为了提高医疗图像分析任务的性能和效率.

主要方法:

• 开发了一种新的自主监督学习 (SSL) 策略,利用人类解剖学的层次结构 (局部性和组合性).
• 使用设计的SSL策略预训练了一个基础模型.
• 进行了广泛的实验,以评估模型的性能与最先进的基线相比.

主要成果:

• 预先训练的SSL模型显著超过了最先进的完全和自我监督的基线.
• 证明了增强的注释效率和少数镜头细分的潜力.
• 与SSL基线相比,对细分任务实现了9%至30%的性能改进.
• 模型的性能归因于有效的解剖学理解,捕捉其嵌入空间中的局部性和组成性.

结论:

• 拟议的SSL策略有效地利用医学成像基础模型的解剖层次结构.
• 这种方法提高了模型性能和注释效率,提供了有前途的少数镜头细分功能.
• 这项工作是迈向开发医学成像中真正解剖意识的基础模型的重要一步.