重访魔方：基于体块变换的自监督学习用于三维医学图像分割
图像与视频处理
2020-07-20 v1 计算机视觉与模式识别
机器学习
摘要
深度学习高度依赖于标注数据的数量。然而，三维体数据医学图像的标注需要经验丰富的医生花费数小时甚至数天进行研判。自监督学习通过深度挖掘原始数据信息，是一种摆脱对训练数据强需求的潜在方案。在本文中，我们提出了一种面向体数据医学图像的新颖自监督学习框架。具体而言，我们提出了一种上下文恢复任务，即 Rubik's cube++，用于预训练三维神经网络。与现有基于上下文恢复的方法不同，我们采用体块变换进行上下文置换，以鼓励网络更好地利用器官固有的三维解剖信息。与从头训练的策略相比，从 Rubik's cube++ 预训练权重微调能在胰腺分割和脑组织分割等多种任务中取得更好的性能。实验结果表明，我们的自监督学习方法可在不使用额外数据的情况下，显著提升三维深度学习网络在体数据医学数据集上的精度。
引用
@article{arxiv.2007.08826,
title = {Revisiting Rubik's Cube: Self-supervised Learning with Volume-wise Transformation for 3D Medical Image Segmentation},
author = {Xing Tao and Yuexiang Li and Wenhui Zhou and Kai Ma and Yefeng Zheng},
journal= {arXiv preprint arXiv:2007.08826},
year = {2020}
}
备注
Accepted by MICCAI 2020