三维掩码建模推进轴向 T2w 前列腺 MRI 中的病灶分类
计算机视觉与模式识别
2023-01-02 v1
摘要
掩码图像建模（Masked Image Modelling, MIM）已被证明是一种高效的自监督学习（self-supervised learning, SSL）预训练范式，尤其在与 transformer 架构结合且拥有大量无标注自然图像时。医学影像领域中存在难以获取大量标注数据但有无标注数据可用的特点，这使得 MIM 成为推进基于三维医学影像数据的深度学习（deep learning, DL）应用的有趣途径。然而，SSL 尤其是结合医学影像数据的 MIM 应用仍相当稀少，且此类学习范式在医学领域的潜力尚存不确定性。我们在前列腺癌（Prostate Cancer, PCa）病灶分类的背景下，基于 T2 加权（T2 weighted, T2w）轴向磁共振成像（magnetic resonance imaging, MRI）数据研究 MIM。具体而言，我们探索了在不同条件下（如不同掩码策略）将 MIM 与卷积神经网络（convolutional neural networks, CNNs）结合使用的效果，在 AUC 指标上取得了优于 ImageNet 权重初始化等其他预训练策略的结果。
引用
@article{arxiv.2212.14267,
title = {3D Masked Modelling Advances Lesion Classification in Axial T2w Prostate MRI},
author = {Alvaro Fernandez-Quilez and Christoffer Gabrielsen Andersen and Trygve Eftestøl and Svein Reidar Kjosavik and Ketil Oppedal},
journal= {arXiv preprint arXiv:2212.14267},
year = {2023}
}
备注
To be published in the Northern Lights Conference Proceedings 2023