通过全球-本地面具自动编码器推进体积医疗图像细分

科学领域:

• 人工智能的人工智能
• 医学成像分析 医学成像分析
• 计算机视觉 计算机视觉

背景情况:

• 自主监督学习,特别是蒙面自动编码器 (MAE),显示了神经网络表示学习的潜力.
• 将MAE应用于体积医学图像面临挑战,因为全球上下文不足,学习表现不稳定.
• 现有的方法缺乏强大的解剖特征提取和从掩盖输入中稳定的学习.

研究的目的:

• 引入全球本地蒙面自动编码器 (GL-MAE),这是一个有效的自我监督的预培训策略,用于体积医学图像.
• 解决目前MAE应用中全球信息不足和不稳定表示的局限性.
• 增强强大的解剖结构特征的学习,并提高临床背景的理解.

主要方法:

• GL-MAE 结合了多层次的重建,捕获了细粒度的局部细节和高级别的全球语义.
• 完整的全球视图被用作解剖学语义对齐的.
• 一致性学习策略 (全球到全球和全球到本地) 稳定了代表性学习过程.

主要成果:

• GL-MAE成功地获得了强大的解剖结构特征.
• 该方法在八个公共数据集中展示了与最先进的自我监督算法相比的卓越性能.
• 微调结果突出了多功能体积医学图像细分和分类任务的有效性.

结论:

• GL-MAE提供了一个简单而有效的自我监督的预培训策略,用于体积医学图像.
• 拟议的方法克服了医学成像中标准MAE的关键局限性.
• GL-MAE显著推进了用于医疗图像分析任务的表示学习.