西安人的进化掩饰:增强自我监督医疗图像细分模型的概括性
Yichen Zhi1, Hongxia Bie1, Jiali Wang1
1Intelligent Media Computing Center, School of Artificial Intelligence, Beijing University of Posts and Telecommunications, Beijing, 100876, China.
Artificial intelligence in medicine
|January 13, 2026
概括
罗人进化掩饰 (SEM) 通过结合全球和本地特征来改善医疗图像细分,提高跨不同数据集的模型概括性. 这种自我监督的学习方法在跨数据集细分任务中实现了卓越的性能.
科学领域:
- 医疗图像分析 医疗图像分析
- 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:
- 自主监督学习 (SSL) 从未标记的医疗图像中提取特征以进行细分.
- 医学图像数据分布的变化阻碍了模型的概括性.
- 现有的SSL方法,如实例歧视和蒙面图像建模,在捕获全球和本地信息方面都有局限性.
研究的目的:
- 引入一种新的自我监督学习框架 - - 姆进化掩饰 (SEM),以提高医疗图像细分的概括性.
- 有效地结合全球和本地特征提取,以提高模型性能.
- 为应对医疗成像数据集领域转移的挑战.
主要方法:
- 开发了与语架构 (在线和目标分支) 的语进化掩饰 (SEM) 框架.
- 在在线分支机构中实施了进化掩盖策略 (网格到区块),以实现强大的功能学习.
- 引入了一个交换机解码模块,以对准分支机构之间的功能,并平衡全球/本地信息.
主要成果:
- 与其他SSL方法相比,SEM在六个不同的数据集 (皮肤和胸部X射线) 中表现出强的表现.
- 实现了优越的跨数据集细分和概括性能.
- 在交叉数据集测试中,报告的子得分为81.8%和91.1%,贾卡德指数为72.2%和84.4%,最佳HD95%为13.1%和10.5%.
结论:
- SEM框架有效地提高了医疗图像细分模型的通用性.
- 通过SEM结合全球和本地特征学习,克服了现有的SSL方法的局限性.
- 在存在数据变异的情况下,SEM为强大的医疗图像细分提供了一个有前途的解决方案.
