SegBook：体积极医学图像分割的简单基线与指南
图像与视频处理
2024-11-25 v1 计算机视觉与模式识别
摘要
计算机断层扫描（CT）是医学成像中最常用的模态之一。迄今为止，CT图像为体积医学图像分割任务提供了最大的公开数据集，涵盖了全身解剖结构。大量的全身CT图像为预训练强大的模型（例如，以监督方式预训练的STU-Net）以分割众多解剖结构提供了机会。然而，这些预训练模型在何种条件下可以迁移到各种下游医学分割任务（尤其是分割其他模态和不同目标）仍不清楚。为解决此问题，需要一个大规模基准进行全面评估以发现这些条件。因此，我们收集了87个在模态、目标和数据集大小上各不相同的公开数据集，以评估全身CT预训练模型的迁移能力。随后，我们采用代表性模型STU-Net（具有多种模型规模）进行跨模态和跨目标的迁移学习。我们的实验结果表明：（1）在微调过程中可能存在数据集大小的瓶颈效应，在小规模和大规模数据集上的改进均多于中等规模数据集。（2）在全身CT上预训练的模型表现出有效的模态迁移能力，能很好地适应MRI等其他模态。（3）全身CT预训练不仅支持结构检测，而且在病变检测中也显示出有效性，展示了跨目标的适应性。我们希望这项大规模的迁移学习开放评估能为体积医学图像分割的未来研究提供指导。
关键词
引用
@article{arxiv.2411.14525,
title = {SegBook: A Simple Baseline and Cookbook for Volumetric Medical Image Segmentation},
author = {Jin Ye and Ying Chen and Yanjun Li and Haoyu Wang and Zhongying Deng and Ziyan Huang and Yanzhou Su and Chenglong Ma and Yuanfeng Ji and Junjun He},
journal= {arXiv preprint arXiv:2411.14525},
year = {2024}
}