DenseMP：用于少样本医学图像分割的无监督密集预训练
计算机视觉与模式识别
2023-07-20 v1
摘要
少样本医学图像语义分割在医学图像分析领域至关重要。然而，现有方法在训练阶段受困于数据稀缺挑战，导致过拟合。为缓解此问题，我们引入一种新颖的无监督密集少样本医学图像分割模型训练流水线（DenseMP），其利用无监督密集预训练。DenseMP 由两个不同的阶段组成：（1）分割感知密集对比预训练，以及（2）少样本感知超像素引导密集预训练。这些阶段协同产生一个专为少样本医学图像分割设计的预训练初始模型，随后可在目标数据集上微调。我们提出的流水线显著增强了广受认可的少样本分割模型 PA-Net 的性能，在 Abd-CT 与 Abd-MRI 数据集上取得最先进（SOTA）结果。代码将在接收后发布。
引用
@article{arxiv.2307.09604,
title = {DenseMP: Unsupervised Dense Pre-training for Few-shot Medical Image Segmentation},
author = {Zhaoxin Fan and Puquan Pan and Zeren Zhang and Ce Chen and Tianyang Wang and Siyang Zheng and Min Xu},
journal= {arXiv preprint arXiv:2307.09604},
year = {2023}
}