データ効率的な対照的医用画像セグメンテーションのためのドメインおよびタスク焦点を絞った例の選択

セグメンテーションは医療画像プロセスにおける最も重要なタスクの1つであり、画像ベースの決定に影響を与えます。効果的な完全監視型セグメンテーションアプローチは、大量の手動で注釈付けされたトレーニングデータを必要とします。しかし、ピクセルレベルの注釈プロセスは高コストで時間がかかり、エラーが発生しやすく、進歩を妨げ、効果的なセグメンテーションを実施することを困難にします。したがって、モデルは限られたラベル付きデータから効率的に学習する必要があります。自己監視学習（SSL）、特にラベルのないデータに対する事前学習と限られた注釈に対するファインチューニングを通じた対照的学習は、このような限られたラベル付き画像セグメンテーションを促進できます。この目的のために、我々は異なる画像の固有の関係を活用する新しい自己監視型対照的学習フレームワークを提案します。これはPolyCLと呼ばれます。ピクセルレベルの注釈や不合理なデータ拡張を必要とせず、我々のPolyCLは、課題関連の方法で革新的な代理からセグメンテーションに有用なコンテキストに基づく識別特徴を学習し、転送します。さらに、予測されたマスクの精度を向上させる粗い出力から抽出されたバウンディングボックスプロンプトを使用した後処理精練モジュールとして、また、単一の注釈付き2Dスライスからボリュームセグメンテーションを生成するSAM 2を介した伝播メカニズムとして、Segment Anything Model（SAM）を我々のフレームワークに2つの新しい方法で統合しています。3つの公的なコンピュータ断層撮影（CT）データセットでの実験的評価により、PolyCLが低データおよびクロスドメインシナリオの両方で完全監視型および自己監視型のベースラインを上回ることが示されました。我々のコードはhttps://github.com/tbwa233/PolyCLで利用可能です。