Self-Supervised Alignment Learning for Medical Image Segmentation

最近，自监督学习（SSL）方法已经被用于预训练2D和3D医学图像分割模型。这些方法大多基于重建、对比学习和一致性正则化。然而，2D切片在3D医学图像中的空间对应关系并没有得到充分利用。本文提出了一种新的自监督对齐学习框架，用于预训练医学图像分割的神经网络。所提出的框架包括一个新的局部对齐损失和一个全局位置损失。我们观察到，在同一3D扫描中，两个相邻的2D切片通常包含相似的解剖结构。因此，提出了局部对齐损失，使匹配结构的像素级特征彼此接近。实验结果表明，所提出的对齐学习方法在有限注释的CT和MRI数据集上与现有的自监督预训练方法具有竞争力。

提出一种新的自监督学习框架，利用医学图像中的空间对应关系，预训练神经网络用于医学图像分割任务。

提出一种局部对齐损失和全局位置损失的自监督对齐学习框架，利用医学图像中的空间对应关系，使得具有相似解剖结构的匹配像素级特征相互接近。

实验结果表明，该自监督对齐学习框架在CT和MRI数据集上的表现与现有的自监督预训练方法相当，且只需要有限的注释数据。论文提供了开源代码。

最近的相关研究包括使用对比学习和一致性正则化等方法进行自监督学习的预训练分割模型。