医学图像的多任务多模态自监督学习

本论文旨在解决医学图像分析中的一个关键挑战：对大规模标记数据集的依赖，这些数据集常因需要专家标注且受限于隐私和法律问题而有限。通过聚焦于自监督学习技术和领域适应方法的开发，本研究旨在规避这些限制，提出一种新颖方法来增强深度学习在医学成像中的实用性和有效性。本论文的核心是开发 Medformer，这是一种创新的神经网络架构，专为多任务学习和深度领域适应而设计。该模型擅长在多样化的医学图像数据集上进行预训练，能够处理不同大小和模态的数据，并配备动态的输入输出适应机制。这使其能够高效地处理和整合各种医学图像类型，从 2D X 光片到复杂的 3D MRI，从而减轻对大规模标记数据集的依赖。进一步地，本论文探讨了医学影像中当前的自监督学习现状。它引入了新的预置任务，能够从未标记的数据中提取有意义的信息，显著提升了模型的解释能力。这一方法通过严格的实验验证，包括使用 MedMNIST 数据集，证明了模型在学习适用于各种下游任务的通用特征方面的专业能力。总之，本论文通过提供一种可扩展、可适应的框架，减少了对标记数据的依赖，推动了医学图像分析的发展，为在医疗保健领域开发更精确、更高效的诊断工具 paving the way，标志着深度学习在医学成像应用中的重要进步。