基于扩散模型的自监督预训练用于X光图像中少量标注的 landmarks 检测

深度神经网络已被广泛应用于医药领域的各种任务，包括图像分类、分割和landmark检测。然而，其应用常受数据稀缺的限制，包括可用标注数据和图像数量。本研究引入了去噪扩散概率模型（DDPMs）的一种新颖应用，专门针对X光图像中标注数据稀缺的landmark检测任务。我们的关键创新点在于利用DDPMs进行landmark检测的自监督预训练，这一方法在该领域以前所未有。该方法使我们能够使用极少量的标注训练数据（仅需50张图像）实现准确的landmark检测，超越ImageNet监督预训练和传统自监督技术，在三个流行的X光基准数据集上表现突出。鉴于本工作是扩散模型在landmark检测中首次应用自监督学习，或许为少样本场景下的有效预训练方法提供了可能，以缓解数据稀缺问题。