面向医学体数据与序列分割的自举表示学习方法
计算机视觉与模式识别
2023-10-04 v1
摘要
在本工作中，我们提出了一种新颖且直接的针对标注有限的医学体数据与序列分割的方法。为避免繁重的标注工作，自监督学习（SSL）近期的成功推动了在无标注数据上的预训练。尽管取得了成功，由于典型SSL方法缺乏对局部语义判别的挖掘以及对体数据与序列结构的利用不足，将其适配到体数据/序列分割仍具挑战性。基于切片/帧间的连续性以及器官在体数据/序列间共有的空间布局，我们引入了一种新颖的自举自监督表示学习方法，利用相邻切片的可预测性。我们方法的核心在于对局部表示预测的简单直接的密集自监督，以及基于全局上下文预测局部的策略，从而实现对体数据间全局与局部表示挖掘的稳定可靠监督。具体而言，我们首先提出了一种非对称网络，带有注意力引导的预测器，以在体数据/序列内及跨体数据/序列的切片上施加距离特定的预测与监督。其次，我们引入了一种新颖的基于原型的的前景-背景校准模块以增强表示一致性。这两部分在标注与无标注数据上联合训练。在三个医学体数据与序列基准数据集上评估时，我们的模型以较大优势超越现有方法：在ACDC上DSC提升4.5%，在Prostate上提升1.7%，在CAMUS上提升2.3%。大量评估揭示了我们方法的有效性与优越性。
引用
@article{arxiv.2106.12153,
title = {Bootstrap Representation Learning for Segmentation on Medical Volumes and Sequences},
author = {Zejian Chen and Wei Zhuo and Tianfu Wang and Wufeng Xue and Dong Ni},
journal= {arXiv preprint arXiv:2106.12153},
year = {2023}
}
备注
17 pages