在标注数据有限的情况下，利用异常检测和空间感知预训练技术进行脑出血分割

《IEEE Access》：Anomaly and Spatially Aware Pretraining for brain hemorrhage segmentation in limited annotated data setting

　　

摘要：

在医学成像中，由于体素级别的注释有限以及病理表现的高度变异性，病变分割是一项具有挑战性的任务。尽管自监督学习（SSL）能够利用未标记的数据，但大多数对比学习方法并未明确结合病理相关信息，而基于重建的方法通常在下游分割任务中更为有效。我们提出了一种异常调节的空间感知对比学习框架（AMSA），该框架将解剖定位与异常衍生信号相结合，以在标签较少的情况下改进表示学习。首先，对图像进行仿射配准并分解为空间对齐的补丁。然后，通过图像到图像的平移模型获得近似异常图，并将其汇总为连续的异常分数。利用补丁之间的空间距离来权衡对比目标中的相互作用。此外，对比目标通过估计的异常负担进行调节，从而在将病理相关信息纳入表示空间的同时，鼓励表示结果保持解剖一致性。随后对预训练的编码器进行微调以用于分割任务。在脑部CT出血分割方面的实验表明，与完全监督训练和空间感知对比预训练相比，该方法能够持续提升性能，并且其性能可与基于重建的预训练方法相媲美。