在三维医学图像分割中位置信息可以作为强监督信息

摘要：医学图像分割是许多下游诊断任务中的关键步骤。随着深度卷积神经网络极大地促进了计算机视觉的发展，半自动化的医学图像分割方法逐渐成熟，即通过应用深度卷积神经网络来检测感兴趣区域，然后由放射科医生进行修改。然而，有监督学习需要大量的人工标注，这些标注数据很难获得，特别是在医学图像领域。自监督学习能够利用无标签数据，为模型提供良好的初始化参数，然后在带标签数据量有限的下游任务上进行微调。考虑到大多数自监督学习特别是对比学习主要应用于自然图像领域，并且在预训练过程中需要昂贵的GPU资源，我们提出了一种新颖而简单的基于辅助任务的自监督学习方法，该方法利用了三维医学图像中的位置信息。具体来说，我们将二维切片在三维坐标系中的纵坐标作为伪标签，在预训练阶段以模型预测该标签作为辅助任务。我们在四个语义分割数据集上证明了本文的方法在医学图像分割任务中优于其他自监督学习方法。代码已在https://github.com/alienzyj/PPos公开。

关键词：自监督学习，医学图像分析，语义分割

点击分享码全文pdf浏览：https://rdcu.be/dgSOK

 Cite this article: Zhao, Y., Hou, R., Zeng, W. et al. Positional Information is a Strong Supervision for Volumetric Medical Image Segmentation. J. Shanghai Jiaotong Univ. (Sci.) (2023). https://doi.org/10.1007/s12204-023-2614-y

《上海交通大学学报（英文版）》是由教育部主管、上海交通大学主办的自然科学综合性学术期刊，被 EI、Scopus等检索系统收录。主要刊登反映基础理论和工程领域实验研究的最新成果，如电子工程和自动化、计算机和通信工程、船舶海洋和建筑工程、材料科学与工程以及生物医学工程等。从 2021 年开始，《上海交通大学学报（英文版）》主要刊登医工交叉研究和人工智能及其在工程中的应用成果。 

英文版主页：https://xuebao.sjtu.edu.cn/sjtu_en/EN/1007-1172/home.shtml

英文版 on Springer：https://link.springer.com/journal/12204