用于 3D 医学图像分割的原始几何分割段预训练
计算机视觉与模式识别
2024-04-30 v1
摘要
构建 3D 医学图像数据集面临诸多问题，包括数据收集需要高昂的财务成本、标注需要专业知识，以及与自然图像数据集相比，患者隐私的保密要求更为严格。因此，在 3D 医学图像分割中，实现在有限的 3D 医学数据和监督下的数据高效学习已成为一个紧迫的问题。预训练是一种有前景的方法，但由于现有 3D 医学图像数据集规模较小，提升其在 3D 医学图像分割中的性能十分困难。为此，我们提出原始几何分割段预训练（PrimGeoSeg）方法，通过仅使用原始几何对象进行预训练分割任务，来学习 3D 语义特征，以用于 3D 医学图像分割。PrimGeoSeg 无需人工数据收集和标注，即可执行更准确、更高效的 3D 医学图像分割。此外，实验结果表明，基于 SwinUNETR 的 PrimGeoSeg 在 BTCV、MSD (Task06) 和 BraTS 数据集上的性能分别比从零开始学习提升了 3.7%、4.4% 和 0.3%。值得注意的是，在预训练数据量相同的情况下，其性能等于或优于 state-of-the-art 的自监督学习方法。从实验结果可以得出，仅通过观察原始几何对象即可实现有效的预训练。代码和数据集可在 https://github.com/SUPER-TADORY/PrimGeoSeg 获取。
引用
@article{arxiv.2401.03665,
title = {Primitive Geometry Segment Pre-training for 3D Medical Image Segmentation},
author = {Ryu Tadokoro and Ryosuke Yamada and Kodai Nakashima and Ryo Nakamura and Hirokatsu Kataoka},
journal= {arXiv preprint arXiv:2401.03665},
year = {2024}
}
备注
Accepted to BMVC2023 (Oral)