AnatoMask：利用重建引导的自掩码增强医学图像分割
计算机视觉与模式识别
2024-07-18 v2
摘要
由于标注数据的稀缺，自监督学习（SSL）在 3D 医学图像分割中受到广泛关注，通过从无标签数据中提取语义表示。尽管存在多种 SSL 策略，但蒙版图像建模（MIM）通过重建随机掩码后的图像来学习细粒度表示方面显示出良好效果。然而，常规的 MIM 方法需要大量训练数据才能实现良好性能，这仍然是医学成像面临的挑战。由于随机掩码在医学图像中均匀采样所有区域，可能忽视关键解剖区域，从而降低预训练效率。我们提出了 AnatoMask，一种新的 MIM 方法，利用重建损失动态识别并掩码解剖关键区域以提高预训练效果。AnatoMask 采用自蒸馊方法，模型同时学习如何找到更重要的区域进行掩码以及如何重建这些被掩码的区域。为避免学习受阻，AnatoMask 使用一种掩码动力学函数逐步调整预训练的难度。我们在 4 个公开数据集上进行评估，涵盖多种影像模态（CT、MRI 和 PET）。AnatoMask 显示出在性能和可扩展性方面优于现有 SSL 方法。代码已在 https://github.com/ricklisz/AnatoMask 上提供。
引用
@article{arxiv.2407.06468,
title = {AnatoMask: Enhancing Medical Image Segmentation with Reconstruction-guided Self-masking},
author = {Yuheng Li and Tianyu Luan and Yizhou Wu and Shaoyan Pan and Yenho Chen and Xiaofeng Yang},
journal= {arXiv preprint arXiv:2407.06468},
year = {2024}
}
备注
Accepted at ECCV 2024