面向体医学图像分割的可学习权重初始化
图像与视频处理
2024-04-04 v4 计算机视觉与模式识别
摘要
结合局部卷积与全局注意力优势的混合体医学图像分割模型近来受到相当关注。现有混合方法大多聚焦于架构修改，仍采用传统的数据无关权重初始化方案，因忽略医学数据固有的体数据特性而限制了性能。为解决此问题，我们提出一种可学习权重初始化方法，利用可用的医学训练数据，通过所提出的自监督目标有效学习上下文与结构线索。我们的方法易于集成到任意混合模型中，且无需外部训练数据。在多器官与肺癌分割任务上的实验证明了方法的有效性，取得了最先进的分割性能。所提出的数据依赖初始化方法在多器官分割任务上优于使用大规模数据集预训练的 Swin-UNETR 模型。我们的源代码与模型发布于：https://github.com/ShahinaKK/LWI-VMS。
引用
@article{arxiv.2306.09320,
title = {Learnable Weight Initialization for Volumetric Medical Image Segmentation},
author = {Shahina Kunhimon and Abdelrahman Shaker and Muzammal Naseer and Salman Khan and Fahad Shahbaz Khan},
journal= {arXiv preprint arXiv:2306.09320},
year = {2024}
}
备注
Accepted at Elsevier AI in Medicine Journal