SelfMedHPM：基于硬切片矢量化自注意力自预训练遮蔽自编码器用于医学图像分割
计算机视觉与模式识别
2025-04-04 v1
摘要
近年来，卷积神经网络 (CNN) 和变换器等深度学习方法在 CT 多器官分割方面取得了显著进展。然而，基于遮蔽图像建模 (MIM) 的 CT 多器官分割方法极为有限。已有方法使用 MAE 进行 CT 多器官分割，但认为现有方法未识别出最难以重建的区域。为此，我们提出一种基于硬切片矢量化的遮蔽自编码器用于 CT 多器官分割的自训练框架（selfMedHPM）。该方法在目标数据训练集上对 ViT 进行自预训练，引入辅助损失预测器，首先预测切片损失并确定下一个遮蔽位置。实验结果表明，selfMedHPM 在腹部 CT 多器官分割和体部 CT 多器官分割任务上均优于各种竞争方法。我们在 Multi Atlas Labeling Beyond The Cranial Vault (BTCV) 数据集上验证了该方法在腹部多器官分割任务中的性能，并在 SinoMed Whole Body (SMWB) 数据集上验证了其在体部多器官分割任务中的表现。
引用
@article{arxiv.2504.02524,
title = {SelfMedHPM: Self Pre-training With Hard Patches Mining Masked Autoencoders For Medical Image Segmentation},
author = {Yunhao Lv and Lingyu Chen and Jian Wang and Yangxi Li and Fang Chen},
journal= {arXiv preprint arXiv:2504.02524},
year = {2025}
}
备注
arXiv admin note: text overlap with arXiv:2304.05919 by other authors