用于增强医学图像分割中自监督学习的局部区域对比
计算机视觉与模式识别
2023-04-10 v1 人工智能
机器学习
摘要
自监督学习的最新进展表明，可以从无标签图像中学习有效的视觉表示。这引发了将自监督学习应用于医学领域的兴趣，在该领域中无标签图像丰富而有标签图像难以获取。然而，大多数自监督学习方法被建模为图像级别的判别性或生成式代理任务，这可能无法捕获多器官分割等密集预测任务所需的更细粒度表示。在本文中，我们提出了一种集成局部区域对比的全新对比学习框架，以增强医学图像分割现有的自监督预训练方法。我们的方法涉及通过 Felzenszwalb 算法识别超像素，并使用一种新颖的对比采样损失执行局部对比学习。通过在三个多器官分割数据集上的大量实验，我们证明在有限标注设置下将 LRC 集成到现有的自监督方法中可显著提升分割性能。此外，我们表明 LRC 也可应用于全监督预训练方法以进一步提升性能。
引用
@article{arxiv.2304.03406,
title = {Localized Region Contrast for Enhancing Self-Supervised Learning in Medical Image Segmentation},
author = {Xiangyi Yan and Junayed Naushad and Chenyu You and Hao Tang and Shanlin Sun and Kun Han and Haoyu Ma and James Duncan and Xiaohui Xie},
journal= {arXiv preprint arXiv:2304.03406},
year = {2023}
}