Screener：医学CT图像中的自监督病理分割
计算机视觉与模式识别
2025-09-22 v2
摘要
在三维医学图像中精确检测所有病理发现仍然是一个重大挑战，因为监督模型仅限于检测现有数据集中标注的少数病理类别。为解决这一问题，我们将病理检测框架化为无监督视觉异常分割（UVAS）问题，利用病理模式相对于健康模式固有的罕见性。我们通过两项关键创新增强了现有的基于密度的UVAS框架：（1）用于特征提取的密集自监督学习，消除了对监督预训练的需求；（2）作为条件变量的可学习、对掩码不变的密集特征，取代了手工设计的位置编码。在超过30,000个无标签三维CT体积上训练后，我们的完全自监督模型Screener在包含1,820次扫描且涵盖多种病理的四项大规模测试数据集上超越了现有的UVAS方法。此外，在监督微调设置中，Screener也超越了现有的自监督预训练方法，使其成为病理分割的最先进基础。代码和预训练模型将公开发布。
引用
@article{arxiv.2502.08321,
title = {Screener: Self-supervised Pathology Segmentation in Medical CT Images},
author = {Mikhail Goncharov and Eugenia Soboleva and Mariia Donskova and Daniil Ignatyev and Mikhail Belyaev and Ivan Oseledets and Marina Munkhoeva and Maxim Panov},
journal= {arXiv preprint arXiv:2502.08321},
year = {2025}
}