相关实验视频
Updated: Sep 17, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
529
自主监督预培训的基准可转移性,用于不同模式的多器官细分
Jue Jiang1, Harini Veeraraghavan1
1Department of Medical Physics, Memorial Sloan Kettering Cancer Center, NY, New York, USA.
概括
自主监督学习 (SSL) 提高了医疗图像细分的准确性,特别是在数据有限的场景中. 结合掩盖图像建模 (MIM) 和令牌自蒸,为各种下游任务提供了多功能功能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 自主监督学习 (SSL) 通过借口任务预训练使用未标记数据的深度网络.
- 前后任务选择影响下游任务的准确性 (例如,细分,分类).
- 不同数据模式中SSL功能的多功能性仍未得到充分研究.
研究的目的:
- 基准SSL任务用于3D医学图像分析.
- 评估功能多功能性,用于多器官细分,功能重复使用和器官本地化.
- 评估SSL对数据有限和少数拍摄学习场景的影响.
主要方法:
- 为了SSL预训练,利用了对比的预测编码,令牌自蒸和掩盖图像建模 (MIM).
- 在10,000个3DCT扫描 (1.89M张图像) 上使用了3D视觉转换器.
- 评估了使用多头注意力的多器官细分,特征再利用和器官定位的性能.
主要成果:
- 通过SSL预训练,在MRI和CT的少数镜头和数据有限设置中提高了多器官细分的准确性.
- 结合MIM和代币自蒸的借口任务平衡了当地和全球的关注,改善了细分.
- 功能重用受到预训练和微调数据模式之间的相似性的影响.
结论:
- 特别是在结合MIM和令牌自蒸的SSL,在数据有限的医学成像中增强了细分性能.
- 虽然SSL功能显示了多功能性,但模式相似性影响了功能重用.
- 这种方法显示了改善医疗图像分析中的深度学习模型的希望,使用有限的标记数据.
