MPS-AMS：基于掩码块选择与自适应掩码策略的自监督医学图像分割
计算机视觉与模式识别
2023-02-28 v1
摘要
现有基于对比学习和掩码图像建模的自监督学习方法已展现出令人印象深刻的性能。然而，当前的掩码图像建模方法主要应用于自然图像，在医学图像中的应用相对缺乏。此外，其固定的高掩码策略限制了条件互信息的上界，且梯度噪声较大，导致学到的表征信息较少。受这些局限性的启发，本文提出基于掩码块选择和自适应掩码策略的自监督医学图像分割方法，称为 MPS-AMS。我们利用掩码块选择策略选择带有病灶的掩码块以获得更多病灶表征信息，并采用自适应掩码策略以帮助学习更多互信息并进一步提升性能。在三个公开医学图像分割数据集（BUSI、Hecktor 和 Brats2018）上的大量实验表明，我们提出的方法大幅优于最先进的自监督基线。
引用
@article{arxiv.2302.13699,
title = {MPS-AMS: Masked Patches Selection and Adaptive Masking Strategy Based Self-Supervised Medical Image Segmentation},
author = {Xiangtao Wang and Ruizhi Wang and Biao Tian and Jiaojiao Zhang and Shuo Zhang and Junyang Chen and Thomas Lukasiewicz and Zhenghua Xu},
journal= {arXiv preprint arXiv:2302.13699},
year = {2023}
}
备注
6 pages, 3 figures,Received by the ICASSP2023