监督的机器学习为各种计算机视觉问题提供了最新的解决方案。但是,对大量标记的培训数据的需求限制了这些算法在稀缺或昂贵的情况下的这些算法的功能。自我监督的学习提供了一种方法,可以通过对未标记数据的特定域进行预处理模型来降低对手动注释数据的需求。在这种方法中,标记的数据完全需要用于微调下游任务的模型。医疗图像细分是一个标签数据需要专家知识并收集大型标记数据集的领域。因此,自我监督的学习算法有望在该领域进行实质性改进。尽管如此,自我监督的学习算法很少用于预识医学图像分割网络。在本文中,我们详细阐述并分析了对下游医学图像分割的监督和自我监督预审方法的有效性,重点是收敛和数据效率。我们发现,对自然图像和目标域特异性图像进行自我监督的预测会导致最快,最稳定的下游收敛性。在我们对ACDC心脏分割数据集的实验中,与Imagenet预处理的模型相比,这种预处理的方法可实现4-5倍的微调收敛。我们还表明,这种方法需要在域特异性数据上进行少于五个时期的预处理,以在下游收敛时间进行这种改进。最后,我们发现,在低数据方案中,有监督的Imagenet预处理达到了最佳准确性,需要少于100个带注释的样品才能实现接近最小误差。
translated by 谷歌翻译