Self-supervised pre-training with diffusion model for few-shot landmark detection in x-ray images

在过去的几年中，深度神经网络在医学领域中被广泛应用于不同的任务，包括图像分类、分割和地标检测等。然而，这些技术在医学领域中的应用往往受到数据稀缺的限制，无论是可用的注释还是图像。本研究介绍了一种基于扩散模型的自监督预训练协议，用于X光图像中的地标检测。我们的结果表明，所提出的自监督框架可以在最少的可用注释训练图像（高达50张）的情况下提供准确的地标检测，优于ImageNet监督预训练和三个流行的X光基准数据集的最新自监督预训练。据我们所知，这是首次探索扩散模型用于自监督学习在地标检测中的应用，这可能为缓解数据稀缺情况下的少样本预训练提供有价值的方法。

本论文旨在解决医学领域中数据稀缺的问题，提出了一种基于扩散模型的自监督预训练协议，用于X射线图像中的地标检测。

本文提出的自监督框架可以在最少数量的可用标注训练图像（最多50张）的情况下提供准确的地标检测，优于ImageNet监督预训练和最先进的自监督预训练方法。

本文是第一次探索扩散模型在自监督学习中的应用，可以为缓解数据稀缺情况下的少样本预训练提供有价值的方法。实验使用了三个流行的X射线基准数据集，结果表明该方法的有效性。论文开源了代码。

相关研究包括基于深度神经网络的医学图像分类和分割，以及基于自监督学习的图像预训练方法等。