基于多域数据聚合的医学图像分割分层自监督学习
计算机视觉与模式识别
2021-07-13 v1
摘要
大规模标注数据集是监督式深度学习成功的关键，但对于医学图像分割而言，获取充足的标注图像用于模型训练极具挑战性。在许多场景下，未标注图像数量丰富且易于获取。自监督学习（SSL）在挖掘原始数据信息与表征学习方面已展现出巨大潜力。本文提出分层自监督学习（HSSL），一种通过充分利用未标注数据来提升医学图像分割性能的新型自监督框架。与现有先针对特定任务进行自监督预训练再监督微调的文献不同，我们利用 SSL 从异构数据中学习面向各类医学图像分割任务的与任务无关的知识。具体而言，我们首先聚合来自多个医学挑战赛的数据集，随后以自监督方式预训练网络，最后在标注数据上微调。我们结合对比损失与分类损失设计了新的损失函数，并预训练了一个用于分割任务的编码器-解码器架构。大量实验表明，多域联合预训练有益于下游分割任务，且显著优于单域预训练。与从头训练相比，我们的新方法在多项任务上取得了更优性能（例如，在仅使用 5% 标注数据时，Dice 分数提升 0.69% 至 18.60%）。在训练数据有限的情况下，我们的方法可大幅缩小与更密集标注（例如 10% 对比 100% 标注数据）之间的性能差距。
引用
@article{arxiv.2107.04886,
title = {Hierarchical Self-Supervised Learning for Medical Image Segmentation Based on Multi-Domain Data Aggregation},
author = {Hao Zheng and Jun Han and Hongxiao Wang and Lin Yang and Zhuo Zhao and Chaoli Wang and Danny Z. Chen},
journal= {arXiv preprint arXiv:2107.04886},
year = {2021}
}
备注
Accepted to MICCAI 2021