AMLP:可调节的掩护损伤贴片用于自我监督的医疗图像细分

科学领域:

• 医疗图像分析 医学图像分析
• 计算机视觉 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 自主监督的蒙面图像建模 (MIM) 对自然图像有希望,但与复杂的医疗图像斗争.
• 在MIM中,高,固定的掩盖比率可以掩盖医学扫描中的关键背景信息.
• 医疗图像中明显的轮特征对标准MIM方法提出了独特的挑战.

研究的目的:

• 开发一种新的自我监督框架,即可调节的掩护损伤贴片 (AMLP),用于改进医疗图像细分.
• 解决将MIM应用于复杂医学图像的局限性,特别是在病变检测方面.
• 通过专注于相关的图像补丁和重建难度来提高病变细分的准确性.

主要方法:

• 拟议的可调节掩盖损伤补丁 (AMLP) 框架使用掩盖补丁选择 (MPS) 来识别富含病变的补丁.
• 引入了相对重建损失 (RRL),以改善难以重建的病变补丁的学习.
• 实施的类别一致性损失 (CCL) 用于精细的补丁分类和类别一致性损失 (CCL) 用于增强的损伤背景差异化.
• 开发了一个可调节的掩盖比率 (AMR) 策略,在培训期间逐步增加掩盖,扩大可学习信息.

主要成果:

• 与最先进的自我监督方法相比,AMLP在两个医疗细分数据集上表现出更高的性能.
• 拟议的MPS,RRL,CCL和AMR战略有效地解决了将掩面建模应用于医疗图像的挑战.
• AMLP成功捕获了复杂的病变细节,这些细节对于准确的医学图像细分至关重要.

结论:

• 该AMLP框架显著推进了用于医学图像细分的自我监督学习.
• AMLP为分析复杂的医学图像和准确细分病变提供了强大的解决方案.
• 这种方法有可能提高医学成像中的诊断准确性和临床决策.