ACE: Anatomically Consistent Embeddings in Composition and Decomposition

要約

標準化されたプロトコルから取得された医用画像は、一貫した巨視的または微視的解剖学的構造を示し、これらの構造は構成可能/分解可能な器官および組織で構成されますが、既存の自己教師あり学習 (SSL) 手法は、医療画像に固有のこのような構成可能/分解可能な構造属性を認識していません。
この制限を克服するために、この論文では、ACE と呼ばれる新しい SSL アプローチを導入し、2 つの主要なブランチによる合成と分解を介して解剖学的に一貫した埋め込みを学習します。
(2) 局所的な一貫性。対応するマトリックス マッチングを介して、構成可能/分解可能なパッチの特徴からきめの細かい解剖学的詳細を学習します。
6 つのデータセット 2 つのバックボーンにわたる実験結果は、少数ショット学習、微調整、および特性分析で評価され、ACE の優れた堅牢性、移行性、および臨床的可能性を示しています。
当社の ACE の革新性は、医療画像の構成性と分解性の固有の特性を活用したグリッドごとの画像トリミングにあり、高レベルの病状から低レベルの組織異常までの意味論的なギャップを橋渡しし、医療画像用の新しい SSL メソッドを提供します。
。

要約(オリジナル)

Medical images acquired from standardized protocols show consistent macroscopic or microscopic anatomical structures, and these structures consist of composable/decomposable organs and tissues, but existing self-supervised learning (SSL) methods do not appreciate such composable/decomposable structure attributes inherent to medical images. To overcome this limitation, this paper introduces a novel SSL approach called ACE to learn anatomically consistent embedding via composition and decomposition with two key branches: (1) global consistency, capturing discriminative macro-structures via extracting global features; (2) local consistency, learning fine-grained anatomical details from composable/decomposable patch features via corresponding matrix matching. Experimental results across 6 datasets 2 backbones, evaluated in few-shot learning, fine-tuning, and property analysis, show ACE’s superior robustness, transferability, and clinical potential. The innovations of our ACE lie in grid-wise image cropping, leveraging the intrinsic properties of compositionality and decompositionality of medical images, bridging the semantic gap from high-level pathologies to low-level tissue anomalies, and providing a new SSL method for medical imaging.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google