探索医学图像内在性质用于自监督二值语义分割
计算机视觉与模式识别
2024-04-30 v2 人工智能
摘要
自监督学习的最新进展释放了利用无标签数据进行辅助任务的潜力，有助于学习有益的先验。这在医学图像分析等标注数据稀缺的领域尤为有利。尽管该方法在分类任务中行之有效，但在医学图像分割等更复杂的应用中却显现出局限性。本文提出了动态自适应语义分割增强的医学成像（MedSASS），一种专为医学图像分割定制的自监督框架。我们在四个不同的医学数据集上对 MedSASS 与现有 SOTA 方法进行了对比评估，展示了其优越性。MedSASS 比现有的基于 CNN 的自监督方法高出 3.83%，并达到了基于 ViT 方法的性能。此外，当 MedSASS 进行端到端训练（涵盖编码器和解码器）时，与现有 SOTA 自监督策略相比，CNN 架构提升了 14.4%，基于 ViT 的架构提升了 6%。
引用
@article{arxiv.2402.02367,
title = {Exploring Intrinsic Properties of Medical Images for Self-Supervised Binary Semantic Segmentation},
author = {Pranav Singh and Jacopo Cirrone},
journal= {arXiv preprint arXiv:2402.02367},
year = {2024}
}
备注
30 pages, 10 figures, and 10 tables. Under Review