本論文では、医療用ボリューム画像のセグメンテーションタスクに対して、学習可能な重み初期化手法を提案している。従来の医療画像セグメンテーションモデルは、一般的な重み初期化手法を用いていたが、これでは医療データの特性を十分に捉えられないため、性能が限定的であった。
提案手法では、まず自己教師学習タスクを用いて、医療データの構造的および文脈的な特性を学習し、その知見を重み初期化に活用する。具体的には、以下の2つのタスクを定義している:
これらのタスクを通じて、モデルは医療データの特性を学習し、その知見が重み初期化に反映される。その後、この初期化された重みを用いて、通常の教師あり学習によるセグメンテーションタスクを行う。
提案手法は、既存の医療画像セグメンテーションモデルに統合可能であり、Synapse multi-organ CTデータセットおよびDecathlon肺がんデータセットでの実験結果から、従来手法と比べて優れた性能を示すことが確認された。特に、小さな臓器のセグメンテーション精度が大幅に向上している。また、大規模データセットを用いた事前学習手法と比べても遜色ない性能が得られている。
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Shahina Kunh... at arxiv.org 04-04-2024
https://arxiv.org/pdf/2306.09320.pdfDeeper Inquiries