Self-Supervised Learning for Medical Image Data with Anatomy-Oriented Imaging Planes

自监督学习已成为预训练深度网络在无标签数据上进行目标任务的迁移学习之前的有力工具。预训练的先验任务与目标任务之间的相关性对于迁移学习的成功至关重要。已经提出了各种先验任务来利用医学图像数据的特性（例如三维性），这些特性对于医学图像分析比自然图像的通用特性更为相关。然而，以解剖定向成像平面为基础的数据之前很少受到关注，例如标准心脏磁共振成像视图。由于这些成像平面是根据成像器官的解剖学定义的，有效利用这些信息的先验任务可以预训练网络以获得有关感兴趣器官的知识。在这项工作中，我们提出了两个互补的先验任务，以基于成像平面的空间关系为基础。第一个任务是学习成像平面之间的相对方向，并实现为回归它们的相交线。第二个任务利用平行成像平面来回归它们在堆栈内的相对切片位置。这两个先验任务在概念上很简单，易于实现，并可以在多任务学习中结合以实现更好的表示学习。对两个解剖结构（心脏和膝盖）和代表性目标任务（语义分割和分类）的彻底实验表明，所提出的先验任务对于预训练深度网络以显着提高目标任务的性能非常有效，并且优于其他最近的方法。

本论文旨在解决医学图像预训练中对于解剖定向成像平面的利用问题，提出了两个互补的预训练任务，以更好地利用成像平面的空间关系。

本论文提出了两个基于医学图像成像平面空间关系的预训练任务，分别为回归成像平面相对定位和回归平行成像平面的相对切片位置，两者均能有效提高深度神经网络在目标任务上的表现。

论文在两个解剖结构（心脏和膝盖）上进行了实验，分别进行了语义分割和分类任务，实验结果表明，所提出的预训练任务能够极大地提高深度神经网络在目标任务上的性能表现。此外，论文提出的预训练任务简单易用，可以进行多任务学习，具有一定的通用性和可扩展性。

最近在医学图像预训练领域，也有一些相关的研究，如：Self-Supervised Learning for Medical Imaging: A Review、Self-Supervised Learning for Medical Image Analysis: A Survey、Self-supervised Learning for Medical Image Analysis with Limited Annotations: A Review等。