Local Spatiotemporal Representation Learning for Longitudinally-consistent Neuroimage Analysis

要約

医療用コンピュータ ビジョンにおける最近の自己監視型の進歩では、セグメンテーションなどの下流タスクの前に、事前トレーニングにグローバルおよびローカルの解剖学的自己相似性が活用されています。
ただし、現在の方法は i.i.d を前提としています。
画像取得は、追跡縦方向スキャンが被験者固有の時間的変化を追跡する臨床研究デザインでは無効です。
さらに、医療関連の画像間アーキテクチャの既存の自己教師あり手法は、空間的または時間的自己相似性のみを利用しており、単一の画像スケールで適用される損失を介してのみこれを実現しており、単純なマルチスケールの時空間拡張が崩壊して縮退します。
ソリューション。
これらの目的のために、この論文は 2 つの貢献をします。 (1) 縦断画像でトレーニングされた画像間アーキテクチャのためのローカルおよびマルチスケールの時空間表現学習方法を提示します。
これは、学習されたマルチスケールの被験者内特徴の時空間的自己相似性を事前トレーニングに利用し、崩壊したアイデンティティ表現を回避するいくつかの特徴ごとの正則化を開発します。
(2) 微調整中に、被験者内の相関関係を利用するために、驚くほど単純な自己監視型セグメンテーション一貫性正則化を提案します。
ワンショット セグメンテーション設定でベンチマークを行ったところ、提案されたフレームワークは、適切に調整されたランダムに初期化されたベースラインと、i.i.d. および i.i.d. の両方向けに設計された現在の自己教師あり技術の両方を上回っています。
および縦断データセット。
これらの改善は、神経変性成人の縦断的 MRI と発達途上乳児の脳 MRI の両方にわたって実証され、より高いパフォーマンスと縦断的一貫性の両方をもたらします。

要約(オリジナル)

Recent self-supervised advances in medical computer vision exploit global and local anatomical self-similarity for pretraining prior to downstream tasks such as segmentation. However, current methods assume i.i.d. image acquisition, which is invalid in clinical study designs where follow-up longitudinal scans track subject-specific temporal changes. Further, existing self-supervised methods for medically-relevant image-to-image architectures exploit only spatial or temporal self-similarity and only do so via a loss applied at a single image-scale, with naive multi-scale spatiotemporal extensions collapsing to degenerate solutions. To these ends, this paper makes two contributions: (1) It presents a local and multi-scale spatiotemporal representation learning method for image-to-image architectures trained on longitudinal images. It exploits the spatiotemporal self-similarity of learned multi-scale intra-subject features for pretraining and develops several feature-wise regularizations that avoid collapsed identity representations; (2) During finetuning, it proposes a surprisingly simple self-supervised segmentation consistency regularization to exploit intra-subject correlation. Benchmarked in the one-shot segmentation setting, the proposed framework outperforms both well-tuned randomly-initialized baselines and current self-supervised techniques designed for both i.i.d. and longitudinal datasets. These improvements are demonstrated across both longitudinal neurodegenerative adult MRI and developing infant brain MRI and yield both higher performance and longitudinal consistency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google