AMLP：用于自监督医学图像分割的可调病变块掩码
摘要
自监督掩码图像建模（MIM）方法在分析自然图像上已展现出良好性能。然而，直接将此类方法用于医学图像分割任务仍无法取得满意结果。挑战源于以下事实：(i) 与自然图像相比，医学图像本身更为复杂，且其中的对象常表现出更显著的轮廓特征；(ii) 此外，MIM中传统的高且固定的掩码率很可能掩掉背景，限制了可学习信息的范围。为解决这些问题，我们提出一种称为可调掩码病变块（AMLP）的新自监督医学图像分割框架，其采用掩码块选择（MPS）策略来识别极可能包含病变的块，以帮助模型实现精确的病变重建。为改进MPS中的块分类，我们进一步引入相对重建损失（RRL）以更好地学习难以重建的病变块。接着，提出类别一致性损失（CCL）基于重建难度细化块分类，增强病变与背景的差异。此外，提出可调掩码率（AMR）策略，在训练过程中逐步提升掩码率以扩展可学习互信息的范围。在两个医学分割数据集上的大量实验表明，所提AMLP相对于SOTA自监督方法具有更优性能；结果证明AMLP有效应对了将掩码建模应用于医学图像的挑战，并捕获了对分割任务至关重要的精确病变细节。
引用
@article{arxiv.2309.04312,
title = {AMLP: Adjustable Masking Lesion Patches for Self-Supervised Medical Image Segmentation},
author = {Xiangtao Wang and Ruizhi Wang and Thomas Lukasiewicz and Zhenghua Xu},
journal= {arXiv preprint arXiv:2309.04312},
year = {2025}
}
备注
\copyright\ 2025 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works