Models Genesis：面向三维医学图像分析的通用自学习模型
图像与视频处理
2019-08-20 v1 计算机视觉与模式识别
摘要
从自然图像到医学图像的迁移学习已成为深度学习用于医学图像分析最实用的范式之一。然而，为契合该范式，最突出成像模态（如 CT 和 MRI）中的三维成像任务不得不被重新表述并以二维方式求解，从而丢失丰富的三维解剖信息并不可避免地损害性能。为克服此局限，我们构建了一组称为通用自学习模型（Generic Autodidactic Models）、昵称 Models Genesis 的模型，因为它们创生于无（无需人工标注）、自学（通过自监督学习）且通用（作为生成特定应用目标模型的源模型）。我们的大量实验表明，我们的 Models Genesis 在涵盖分割与分类的五个目标三维应用中均显著优于从零学习。更重要的是，单纯以三维方式从零学习模型未必能取得优于从 ImageNet 二维迁移学习的性能，而我们的 Models Genesis 始终超越任何二维方法，包括微调从 ImageNet 预训练的模型以及微调我们 Models Genesis 的二维版本，从而证实了三维解剖信息的重要性及我们的 Models Genesis 对三维医学影像的意义。该性能归功于我们统一的自监督学习框架，其建立在简单而有力的观察之上：医学图像中复杂而反复出现的解剖结构可作为强监督信号，使深度模型通过自监督自动学习共同的解剖表征。作为开放科学，所有预训练的 Models Genesis 均可在 https://github.com/MrGiovanni/ModelsGenesis 获取。
引用
@article{arxiv.1908.06912,
title = {Models Genesis: Generic Autodidactic Models for 3D Medical Image Analysis},
author = {Zongwei Zhou and Vatsal Sodha and Md Mahfuzur Rahman Siddiquee and Ruibin Feng and Nima Tajbakhsh and Michael B. Gotway and Jianming Liang},
journal= {arXiv preprint arXiv:1908.06912},
year = {2019}
}
备注
International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI)