探索医学图像细分领域连接的对比预训练

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:

• 医疗成像中的无监督域适应 (UDA) 试图在不同数据源中概括深度学习模型.
• 现有的UDA方法往往具有复杂的设计,有限的灵活性,并与各种临床领域的转变作斗争.
• 需要强大的UDA框架,可以利用未标记的数据并处理各种域不一致.

研究的目的:

• 引入MedCon,一个统一的框架,用于医疗图像细分中的无监督域调整.
• 解决现有的UDA方法的局限性,包括繁的设计和在各种临床场景中不良的概括性.
• 利用无监督的对比预训练来有效地连接域名和处理多种域名转移.

主要方法:

• 在未标记的图像上使用一般的无监督的对比预训练来建立域连接.
• 使用共享重量编码器-解码器架构来生成像素级表示.
• 从局部和全球尺度构建正负对,以捕捉解剖结构的域内和域间连接.
• 微调预先训练的骨干,使用源域图像进行每像素语义细分.

主要成果:

• MedCon有效地管理了医疗图像细分中的广泛领域转移.
• 与以前的UDA方法相比,该框架展示了优越的概括能力.
• 在各种医学图像数据集上的实验验验证了MedCon.Con的有效性.

结论:

• 在医疗图像细分中,MedCon为无监督域调整提供了统一有效的解决方案.
• 提出的对比性预培训方法成功建立了领域连接,并处理了多样化的班次.
• MedCon提供了改进的概括和性能,在各种数据集上表现优于现有方法.