GMS-JIGNet:用于自主监督的人工点细分的指导式多尺度拼图,用于基底摄影中的人工点细分
Jaehan Joo1, Hunyoul Lee1, Suk Chan Kim2
1Electric and Electronics Engineering, Pusan National University, Busan, 46241, Republic of Korea.
Scientific reports
|July 16, 2025
概括
GMS-JIGNet是一个新的自我监督学习框架,可以准确地识别 fundus 图像中的文物. 这种方法减少了对大量手动注释的需求,改善了医学成像中的计算机辅助诊断.
科学领域:
- 眼科医生 眼科 眼科
- 计算机视觉 计算机视觉
- 医学图像分析 医学图像分析
背景情况:
- 在 fundus 摄影中,灰尘和噪音等人工物可以被误认为是病理征兆.
- 精确细分这些文物对于可靠的计算机辅助诊断至关重要.
- 手动的像素级标注文物耗时且难以扩展.
研究的目的:
- 开发一个自我监督的细分框架,GMS-JIGNet,用于识别图像中的文物.
- 为了应对医疗图像细分中的有限标记数据的挑战.
- 为了提高精度和效率的艺术品检测在 fundus 摄影.
主要方法:
- GMS-JIGNet使用指导式多尺度拼图和对比学习来进行自我监督的表示学习.
- 该框架通过解决多个分辨率的拼图来从未标记的基底图像中学习空间意识.
- 位置提示被选择性地纳入,以帮助非信息区域的学习,通过使用固定ViT编码器和FPN解码器的下游细分模型.
主要成果:
- 在IoU,DICE和SSIM等指标上的大型基金数据集上,GMS-JIGNet实现了最先进的性能.
- 该模型表现出高效率,即使具有最小的标记数据.
- 废除研究证实了在各种超参数设置下引导自主监督学习方法的有效性.
结论:
- 导向自主监督学习对于医学图像细分是有效的,特别是在 fundus 摄影中用于文物检测.
- GMS-JIGNet显示出临床应用的巨大潜力,特别是在资源有限,标记数据稀缺的环境中.
- 该框架提供了一个可扩展的解决方案,用于提高计算机辅助诊断系统的可靠性.
