面向具有解剖导向成像平面的医学图像数据的自监督学习

自监督学习已成为在无标签数据上预训练深度网络的强大工具，随后用于标注有限的目标任务的迁移学习。预训练前置任务与目标任务之间的相关性对于迁移学习的成功至关重要。已提出多种前置任务来利用医学图像数据的特性（如三维性），这些特性比针对自然图像的通用任务更贴近医学图像分析。然而，以往工作很少关注具有解剖导向成像平面的数据，例如标准心脏磁共振成像视图。由于这些成像平面是根据成像器官的解剖结构定义的，有效利用此信息的前置任务可以预训练网络，使其获得关于目标器官的知识。在这项工作中，我们基于成像平面的空间关系，为此类医学图像数据提出了两个互补的前置任务。第一个任务是学习成像平面之间的相对方向，并通过回归其交线来实现。第二个任务利用平行成像平面，回归它们在堆栈中的相对切片位置。这两个前置任务概念上直观且易于实现，并可在多任务学习中结合以获得更好的表征学习。在两个解剖结构（心脏和膝盖）及代表性目标任务（语义分割和分类）上的详尽实验表明，所提出的前置任务能有效预训练深度网络，显著提升目标任务性能，并优于其他近期方法。