基于伪3D变换的跨维度医学自监督表示学习

医学图像分析面临数据短缺的问题，无论是有标注的还是无标注的数据。对于3D医学图像而言，这一问题尤为突出。自监督学习（SSL）可以通过使用无标签数据部分缓解这种情况。然而，大多数现有的SSL方法只能利用单一维度（例如2D或3D）的数据，无法通过联合使用不同维度的数据来扩大训练数据集。在本文中，我们提出了一种新的基于伪3D变换的跨维度SSL框架（CDSSL-P3D），该框架可以利用2D和3D数据进行联合预训练。具体来说，我们引入了一种基于im2col算法的图像变换，该算法将2D图像转换为与3D数据一致的格式。这种变换使得2D和3D数据能够无缝集成，并促进了用于3D医学图像分析的跨维度自监督学习。我们在13个下游任务上进行了大量实验，包括2D和3D分类与分割。结果表明，我们的CDSSL-P3D取得了优越的性能，优于其他先进的SSL方法。