通过玩魔方实现三维医学图像的自监督特征学习

随着深度学习的发展，越来越多的研究尝试为三维体数据构建计算机辅助诊断系统。然而，由于三维医学数据的标注难以获取，标注的三维医学图像数量往往不足以充分训练深度学习网络。深度挖掘原始数据信息的自监督学习是放宽训练数据需求的潜在解决方案之一。本文提出了一种面向体医学图像的自监督学习框架。我们设计了一种新颖的代理任务，即魔方复原，用于预训练三维神经网络。该代理任务包含两种操作：立方体重排与立方体旋转，迫使网络从原始三维数据中学习平移与旋转不变特征。与从头训练策略相比，基于预训练网络进行微调在多种任务上取得了更好的精度，例如脑出血分类与脑肿瘤分割。我们表明，所提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医学数据集上的精度。据我们所知，这是首个聚焦于三维神经网络自监督学习的工作。