MPS-AMS: Masked Patches Selection and Adaptive Masking Strategy Based Self-Supervised Medical Image Segmentation

要約

対照的な学習とマスクされた画像モデリングに基づく既存の自己教師あり学習方法は、印象的なパフォーマンスを示しています。
ただし、現在のマスクされた画像モデリング手法は主に自然画像で利用されており、医療画像への応用は比較的不足しています。
さらに、それらの固定された高いマスキング戦略は、条件付き相互情報の上限を制限し、勾配ノイズがかなり大きく、学習された表現情報が少なくなります。
これらの制限に動機付けられて、この論文では、MPS-AMS という名前の、マスクされたパッチの選択と適応マスキング戦略に基づく自己教師付き医用画像セグメンテーション法を提案します。
マスクされたパッチ選択戦略を活用して、病変のあるマスクされたパッチを選択し、より多くの病変表現情報を取得します。適応マスキング戦略を利用して、より多くの相互情報を学習し、パフォーマンスをさらに向上させます。
3 つの公開医療画像セグメンテーション データセット (BUSI、Hecktor、および Brats2018) に対する大規模な実験では、提案された方法が最先端の自己教師ありベースラインよりもはるかに優れていることが示されています。

要約(オリジナル)

Existing self-supervised learning methods based on contrastive learning and masked image modeling have demonstrated impressive performances. However, current masked image modeling methods are mainly utilized in natural images, and their applications in medical images are relatively lacking. Besides, their fixed high masking strategy limits the upper bound of conditional mutual information, and the gradient noise is considerable, making less the learned representation information. Motivated by these limitations, in this paper, we propose masked patches selection and adaptive masking strategy based self-supervised medical image segmentation method, named MPS-AMS. We leverage the masked patches selection strategy to choose masked patches with lesions to obtain more lesion representation information, and the adaptive masking strategy is utilized to help learn more mutual information and improve performance further. Extensive experiments on three public medical image segmentation datasets (BUSI, Hecktor, and Brats2018) show that our proposed method greatly outperforms the state-of-the-art self-supervised baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google