SAR：面向三维肿瘤分割的尺度感知复原学习
计算机视觉与模式识别
2021-08-06 v2
摘要
医学图像上自动且准确的肿瘤分割在辅助医生诊断与治疗方面需求很高。然而，由于手动勾画过程通常繁琐且需要专业知识，难以获取深度学习模型所需的大量标注训练数据。尽管自监督学习（SSL）方案已被广泛采用以解决此问题，大多数SSL方法仅关注全局结构信息，忽略了肿瘤区域的关键区分特征：局部强度变化与尺寸分布大。本文提出尺度感知复原（SAR），一种用于三维肿瘤分割的SSL方法。具体地，构造了一个新颖的代理任务，即尺度判别，结合自复原任务预训练三维神经网络。因此，预训练模型通过多尺度输入学习多级局部表示。此外，进一步引入对抗学习模块以从多个无标签源数据集中学习模态不变表示。我们在两个下游任务上证明了方法的有效性：i) 脑肿瘤分割，ii) 胰腺肿瘤分割。与最先进的（SOTA）三维SSL方法相比，我们所提方法能显著提升分割精度。此外，我们从数据效率、性能与收敛速度等多个角度分析了其优势。
引用
@article{arxiv.2010.06107,
title = {SAR: Scale-Aware Restoration Learning for 3D Tumor Segmentation},
author = {Xiaoman Zhang and Shixiang Feng and Yuhang Zhou and Ya Zhang and Yanfeng Wang},
journal= {arXiv preprint arXiv:2010.06107},
year = {2021}
}
备注
Accepted by MICCAI 2021