机构名称：
¥ 1.0
自监督学习方法在多个应用领域取得成功后，最近引起了人们的极大兴趣。在这项工作中，我们利用这些技术，并以代理任务的形式为五种不同的自监督方法提出了 3D 版本。我们的方法有助于从未标记的 3D 图像中进行神经网络特征学习，旨在降低专家注释所需的成本。开发的算法包括 3D 对比预测编码、3D 旋转预测、3D 拼图、相对 3D 补丁定位和 3D 样例网络。我们的实验表明，与从头开始训练模型和在 2D 切片上进行预训练相比，使用我们的 3D 任务对模型进行预训练可以产生更强大的语义表示，并能够更准确、更有效地解决下游任务。我们在医学成像领域的三个下游任务中证明了我们方法的有效性：i）从 3D MRI 进行脑肿瘤分割，ii）从 3D CT 进行胰腺肿瘤分割，以及 iii）从 2D 眼底图像进行糖尿病视网膜病变检测。在每个任务中，我们评估数据效率、性能和收敛速度的增益。有趣的是，我们还发现在通过我们的方法将学习到的表示从大型未标记的 3D 语料库转移到小型下游特定数据集时有收益。我们以极低的计算成本实现了可与最先进解决方案相媲美的结果。我们将开发的算法（3D 和 2D 版本）的实现 1 作为开源库发布，以便其他研究人员能够在他们的数据集上应用和扩展我们的方法。
用于医学成像的 3D 自监督方法
主要关键词
相关文件推荐
