AnatoMask: Enhancing Medical Image Segmentation with Reconstruction-guided Self-masking

由于标记数据的稀缺性，在提取未标记数据中的语义表示方面，自监督学习（SSL）在三维医学图像分割中引起了广泛关注。在SSL策略中，遮蔽图像建模（MIM）通过重建随机遮蔽的图像来学习详细表示，已经显示出有效性。然而，传统的MIM方法需要大量的训练数据才能实现良好的性能，这仍然是医学成像领域面临的挑战。由于随机遮蔽均匀采样医学图像中的所有区域，可能会忽略关键解剖区域，从而降低预训练效率。我们提出了一种新的MIM方法AnatoMask，它利用重建损失动态识别和遮蔽解剖学上重要的区域，以提高预训练效果。AnatoMask采用自蒸馏方法，模型学习如何找到更重要的区域进行遮蔽，并学习如何重建这些遮蔽区域。为避免子优化学习，Anatomask使用遮蔽动态函数逐步调整预训练难度。我们在4个公共数据集上进行了评估，这些数据集包含多种成像模式（CT，MRI和PET）。与现有的SSL方法相比，AnatoMask展现出卓越的性能和可扩展性。代码可在https://github.com/ricklisz/AnatoMask上获得。

本文旨在解决医学影像分割中标注数据稀缺的问题，提出一种新的自监督学习方法AnatoMask。

AnatoMask是一种改进的Masked image modeling (MIM)方法，通过动态识别和屏蔽解剖学上重要的区域来提高预训练效果，并采用自蒸馏方法来调整预训练难度。

AnatoMask在4个公共数据集上进行了评估，表现出比现有SSL方法更好的性能和可扩展性。代码开源。

近期相关研究包括：1. Self-supervised learning for medical image segmentation: a survey；2. Deep learning for medical image segmentation: a review。