RGMIM: Region-Guided Masked Image Modeling for COVID-19 Detection

要約

自己教師あり学習は急速に発展し、医療分野でのコンピュータ支援診断も進歩しています。
マスク イメージ モデリング (MIM) は、入力ピクセルの一部をマスクし、マスクされたピクセルを予測しようとする自己教師あり学習方法の 1 つです。
従来の MIM メソッドでは、多くの場合、ランダム マスキング戦略が使用されます。
しかし、医用画像は、通常の画像に比べて、疾患を検出するための関心領域が小さいことがよくあります。
たとえば、肺の外側の領域には決定のための情報が含まれていないため、ランダム マスキング戦略が COVID-19 検出に十分な情報を学習しない可能性があります。
したがって、この論文では、COVID-19 検出のための新しい領域ガイド付きマスク画像モデリング手法 (RGMIM) を提案します。
私たちの方法では、肺マスク情報を使用して有効な領域を特定し、COVID-19 検出に役立つ情報を学習する新しいマスキング戦略を設計します。
実験結果は、RGMIM が、オープンな COVID-19 X 線撮影データセットで、他の最先端の自己教師あり学習方法よりも優れていることを示しています。

要約(オリジナル)

Self-supervised learning has developed rapidly and also advances computer-aided diagnosis in the medical field. Masked image modeling (MIM) is one of the self-supervised learning methods that masks a portion of input pixels and tries to predict the masked pixels. Traditional MIM methods often use a random masking strategy. However, medical images often have a small region of interest for disease detection compared to ordinary images. For example, the regions outside the lung do not contain the information for decision, which may cause the random masking strategy not to learn enough information for COVID-19 detection. Hence, we propose a novel region-guided masked image modeling method (RGMIM) for COVID-19 detection in this paper. In our method, we design a new masking strategy that uses lung mask information to locate valid regions to learn more helpful information for COVID-19 detection. Experimental results show that RGMIM can outperform other state-of-the-art self-supervised learning methods on an open COVID-19 radiography dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google