边缘是否重要？探究基于边缘增强预训练的医学图像分割

医学图像分割是疾病诊断和治疗规划中至关重要的任务，但开发鲁健的分割模型往往需要 substantial 计算资源和大数据集。现有研究表明，预训练和微调基础模型可提升分割性能。然而，如何 particular 图像预处理步骤影响不同医学成像模态下分割性能仍存疑问。特别是，边缘——像素强度的突然变化——作为对象边界的关键线索，尚未在基础模型的预训练中得到系统性检视。我们通过研究使用计算效率高的边缘核（如 kirsch）处理后数据进行预训练，来提升基础模型在跨模态分割能力的程度。首先在多个医学成像模态上，对比在 raw 数据或边缘增强数据上训练的两个基础模型版本，然后在为特定医学模态量身定制的 raw 数据子集上进行微调。通过针对 Dermoscopy、Fundus、Mammography、Microscopy、OCT、US 和 XRay 等医学领域进行系统性检验，我们发现边缘聚焦的预训练在不同模态下会导致分割性能的增加或降低，表明需对此方法进行选择性应用。为指导此类选择性应用，我们提出一种 meta-learning 策略。该策略利用 raw 图像的标准差和图像熵来选择使用在边缘增强数据上预训练的模型或在 raw 数据上预训练的模型，以获得最佳性能。我们的实验表明，将该 meta-learning 层集成后，相较于仅使用边缘增强数据预训练的模型提高了 16.42%，相较于仅使用 raw 数据预训练的模型提高了 19.30%。