Autoencoders Semi-Máscarados Contrastivos de Tejido para el Preentrenamiento de Segmentación en CT de Tórax

El Modelado de Imágenes Máscaradas (MIM) existente depende de una estrategia de enmascaramiento-reconstrucción basada en parches espaciales para percibir las características de los objetos a partir de imágenes no etiquetadas, lo que puede enfrentar dos limitaciones al aplicarse a CT de tórax: 1) aprendizaje de características ineficiente debido a los complejos detalles anotómicos presentes en las imágenes de CT, y 2) transferencia de conocimiento subóptima debido a la disparidad de entrada entre los modelos de upstream y downstream. Para abordar estos problemas, proponemos un nuevo método de MIM llamado Autoencoder Semi-Máscarado Contrastivo de Tejido (TCS-MAE) para modelar imágenes de CT de tórax. Nuestro método tiene dos diseños novedosos: 1) una estrategia de enmascaramiento-reconstrucción basada en tejido para capturar características anatómicas más detalladas, y 2) una arquitectura de AE dual con aprendizaje contrastivo entre las vistas enmascaradas y originales de la imagen para cerrar la brecha entre los modelos de upstream y downstream. Para validar nuestro método, investigamos sistemáticamente métodos representativos de aprendizaje auto-supervisado contrastivo, generativo e híbrido sobre tareas que implican la segmentación de neumonía, tumores mediastínicos y varios órganos. Los resultados demuestran que, en comparación con los métodos existentes, nuestro TCS-MAE aprende representaciones conscientes del tejido de manera más efectiva, mejorando significativamente el rendimiento de segmentación en todas las tareas.