Zusammenfassung - Fortschritte in der medizinischen Bildsegmentierung durch selbstbeobachtetes exemplarisches Lernen anhand von Instanzanpassungen

Fortschritte in der medizinischen Bildsegmentierung durch selbstbeobachtetes exemplarisches Lernen anhand von Instanzanpassungen

2025-07-10 10:04:03

{"Guoyan Liang","Qin Zhou","Jingyuan Chen","Zhe Wang","Chang Yao"}

{stat.ME}

Das Papier "Advancing Medical Image Segmentation via Self-supervised Instance-adaptive Prototype Learning" stellt einen neuen Ansatz zur medizinischen Bildsegmentierung vor, der als Self-supervised Instance-adaptive Prototype Learning (SIPL) bekannt ist. Dieses Verfahren behebt Limitationen bestehender auf Prototypen basierender Segmentierungstechniken, insbesondere im Umgang mit der Sample-Diversität und der intraklassischen Variation innerhalb jedes Eingangs. SIPL führt ein neues Framework ein, das instance-adaptive Prototypen für die medizinische Bildsegmentierung lernt. Dies beinhaltet eine Kombination aus gemeinsamen Prototypvorschlägen (CPPs) und individuellen Prototypvorschlägen (IPPs), um sowohl gemeinsame als auch individuelle visuelle Muster für jede Klasse zu erfassen. Um die intraklassische Variation zu behandeln, wird ein selbstsupervisiertes Maskenerzeugungsmodul (SMG) vorgeschlagen, das hierarchisch Pseudomaske mit Vertrauensbewertungen generiert, um die Erstellung von IPPs zu leiten. Das SMG-Modul verwendet einen Transformer-Decoder, um Abfrage-Embeddings aus mehrskaligen Merkmalen zu generieren, die von einem Pixel-Decoder gewonnen werden. Eine neue selbstsupervisierte Filterstrategie wird integriert, um während des Lernens der Abfrage-Embeddings Vordergrundpixel zu priorisieren und potenzielle Hintergrundbias zu mindern. Ein zusätzlicher Verlust wird ebenfalls eingeführt, um die Genauigkeit der Vertrauensbewertungen zu verbessern. Das Papier präsentiert umfassende Experimente über drei anspruchsvolle medizinischen Bildsegmentierungsaufgaben: BTCV, Lungs und BraTS. Die Ergebnisse zeigen, dass SIPL im Vergleich zu den besten bekannten Methoden bezüglich des Dice Similarity Coefficient (DSC), einer häufig verwendeten Metrik für die Segmentierungsleistung, überlegen ist. Zusammenfassend betrachtet, sind die wichtigsten Beiträge der SIPL-Methode: 1. Ein neuer Rahmen für das Lernen instance-adaptiver Prototypen in der medizinischen Bildsegmentierung. 2. Ein selbstsupervisiertes Maskenerzeugungsmodul, das intraklassische Variation berücksichtigt und die Erstellung individueller Prototypvorschläge leitet. 3. Günstige Ergebnisse auf anspruchsvollen medizinischen Bildsegmentierungsaufgaben im Vergleich zu den besten bekannten Methoden.