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

由于标注数据的稀缺性，在3D医学图像分割中，自监督学习（SSL）通过从未标注数据中提取语义表示来引起了广泛关注。在SSL策略中，随机遮罩图像建模（MIM）通过重建随机遮罩图像来学习详细的表示，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达到良好的性能，这仍然是医学成像的一个挑战。由于随机遮罩均匀地采样医学图像中的所有区域，因此可能会忽视重要的解剖区域，从而降低预训练效率。我们提出了一种新颖的MIM方法AnatoMask，它利用重建损失动态地识别和遮盖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，模型学习如何发现更重要的区域进行遮罩，并学习如何重建这些遮罩区域。为了避免次优学习，AnatoMask使用遮罩动态函数逐步调整预训练难度。我们在4个公共数据集上评估了我们的方法，包括多种成像模式（CT，MRI和PET）。与现有的SSL方法相比，AnatoMask表现出卓越的性能和可扩展性。代码可在https://github.com/ricklisz/AnatoMask找到。

本论文旨在解决医学影像分割中数据标注不足的问题，提出了一种新的自监督学习方法AnatoMask。

AnatoMask是一种基于MIM的自监督学习方法，通过动态识别和遮盖解剖学显著区域来提高预训练效果，并使用遮盖动态函数逐渐调整预训练难度。

论文使用了4个公共数据集进行了实验验证，包括CT、MRI和PET图像，证明了AnatoMask相对于现有的自监督学习方法具有更好的性能和可扩展性。此外，研究者还开源了代码。

近期的相关研究包括：Self-Supervised Learning for Medical Image Analysis: A Survey、A Survey on Deep Learning in Medical Image Analysis等。