基于层分解的自监督肿瘤分割
计算机视觉与模式识别
2021-12-22 v3
摘要
本文致力于零样本肿瘤分割的自监督表示学习。我们的贡献如下：首先，我们倡导一种零样本设定，即预训练得到的模型应可直接应用于下游任务，而无需使用任何人工标注。其次，我们从“层分解”中获得启发，利用模拟肿瘤数据对训练机制进行了创新。第三，我们进行了大量消融实验来分析数据模拟中的关键组成部分，并验证了不同代理任务的必要性。我们证明，只要在模拟中进行充分的纹理随机化，在合成数据上训练的模型就能轻松泛化到真实肿瘤数据的分割。第四，我们的方法在不同下游数据集上实现了优异的零样本肿瘤分割结果，包括用于脑肿瘤分割的 BraTS2018 和用于肝肿瘤分割的 LiTS2017。在低标注设定下评估模型对肿瘤分割的可迁移性时，所提方法同样优于所有现有的自监督方法，为自监督学习在实际场景中的使用开辟了道路。
引用
@article{arxiv.2109.03230,
title = {Self-supervised Tumor Segmentation through Layer Decomposition},
author = {Xiaoman Zhang and Weidi Xie and Chaoqin Huang and Yanfeng Wang and Ya Zhang and Xin Chen and Qi Tian},
journal= {arXiv preprint arXiv:2109.03230},
year = {2021}
}
备注
Project webpage: https://xiaoman-zhang.github.io/Layer-Decomposition/