AMLP:Adaptive Masking Lesion Patches for Self-supervised Medical Image Segmentation

要約

自己教師付きマスク画像モデリングは、自然画像に対して有望な結果を示しています。
ただし、このような方法を医療画像に直接適用することは依然として困難です。
この困難は、自然画像と比較した病変の複雑さと独特の特徴に起因しており、効果的な表現学習を妨げています。
さらに、従来の高い固定マスキング率では、微細な病変の詳細の再構成が制限され、学習可能な情報の範囲が制限されます。
これらの制限に対処するために、私たちは新しい自己監視型医用画像セグメンテーション フレームワークであるアダプティブ マスキング病変パッチ (AMLP) を提案します。
具体的には、病変を含むパッチを特定し、そこに焦点を当てて学習するためのマスクされたパッチ選択 (MPS) 戦略を設計します。
病変領域は希少ではありますが重要であるため、正確な再構築が不可欠です。
MPS における教師なしクラスタリングによって引き起こされる病変と背景パッチの誤分類を減らすために、病変を描写している可能性が高い再構成が難しいパッチに焦点を当てる注意再構成損失 (ARL) を導入します。
さらに、再構成の難易度に基づいてパッチの分類を調整し、病変と背景の区別を強化するためのカテゴリ一貫性損失（CCL）を提案します。
さらに、再構成可能な情報を拡大し、学習を向上させるためにマスキング率を徐々に増加させる適応マスキング率 (AMR) 戦略を開発します。
2 つの医療セグメンテーション データセットに対する広範な実験により、既存の自己教師ありアプローチと比較して AMLP の優れたパフォーマンスが実証されました。
提案された戦略は、マスクされたモデリングを医療画像に適用する際の制限に効果的に対処し、セグメンテーションタスクに不可欠な病変の詳細をキャプチャするように調整されています。

要約(オリジナル)

Self-supervised masked image modeling has shown promising results on natural images. However, directly applying such methods to medical images remains challenging. This difficulty stems from the complexity and distinct characteristics of lesions compared to natural images, which impedes effective representation learning. Additionally, conventional high fixed masking ratios restrict reconstructing fine lesion details, limiting the scope of learnable information. To tackle these limitations, we propose a novel self-supervised medical image segmentation framework, Adaptive Masking Lesion Patches (AMLP). Specifically, we design a Masked Patch Selection (MPS) strategy to identify and focus learning on patches containing lesions. Lesion regions are scarce yet critical, making their precise reconstruction vital. To reduce misclassification of lesion and background patches caused by unsupervised clustering in MPS, we introduce an Attention Reconstruction Loss (ARL) to focus on hard-to-reconstruct patches likely depicting lesions. We further propose a Category Consistency Loss (CCL) to refine patch categorization based on reconstruction difficulty, strengthening distinction between lesions and background. Moreover, we develop an Adaptive Masking Ratio (AMR) strategy that gradually increases the masking ratio to expand reconstructible information and improve learning. Extensive experiments on two medical segmentation datasets demonstrate AMLP’s superior performance compared to existing self-supervised approaches. The proposed strategies effectively address limitations in applying masked modeling to medical images, tailored to capturing fine lesion details vital for segmentation tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google