基于体积融合的自主监督培训,用于3D医疗图像细分的3D医疗图像细分

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 计算机视觉 计算机视觉

背景情况:

• 医疗图像细分的深度学习在有限的注释数据中扎.
• 自主监督学习 (SSL) 提供了一个解决方案,利用未注释的图像进行功能学习.
• 当前的SSL方法在预训练解码器以执行下游细分任务方面存在局限性.

研究的目的:

• 介绍Volume Fusion (VolF),这是一个新的SSL策略,用于预训练3D医疗图像细分模型.
• 在SSL中尽量减少借口和下游任务之间的差距,以改善细分.
• 为了能够有效地训练使用未注释数据的细分模型.

主要方法:

• 为预训练3D细分模型提出的体积融合 (VolF) 策略.
• 引入了涉及融合子体积和融合系数图的伪细分借口任务.
• 使用标准的监督细分损失函数用于培训,没有手动注释.

主要成果:

• 与从头开始的培训相比,VolF表现显著提高了绩效.
• 在预训练3D细分模型中实现更快的融合速度.
• 在腹部CT数据集上超越了几种最先进的SSL方法,并将其推广到不同的身体部位和模式.

结论:

• 卷融合 (VolF) 是一种有效的SSL策略,用于预训练3D医学图像细分模型.
• 与现有的SSL方法相比,VolF提供了更好的性能,更快的融合,以及更好的通用性.
• 提出的方法具有多功能性,适用于各种网络架构和成像模式.