ترجمه فارسی مقاله یادگیری خودنظارتی متراکم برای قطعه‌بندی تصاویر پزشکی

چکیده

Deep learning has revolutionized medical image segmentation, but it relies heavily on high-quality annotations. The time, cost and expertise required to label images at the pixel-level for each new task has slowed down widespread adoption of the paradigm. We propose Pix2Rep, a self-supervised learning (SSL) approach for few-shot segmentation, that reduces the manual annotation burden by learning powerful pixel-level representations directly from unlabeled images. Pix2Rep is a novel pixel-level loss and pre-training paradigm for contrastive SSL on whole images. It is applied to generic encoder-decoder deep learning backbones (e.g., U-Net). Whereas most SSL methods enforce invariance of the learned image-level representations under intensity and spatial image augmentations, Pix2Rep enforces equivariance of the pixel-level representations. We demonstrate the framework on a task of cardiac MRI segmentation. Results show improved performance compared to existing semi- and self-supervised approaches; and a 5-fold reduction in the annotation burden for equivalent performance versus a fully supervised U-Net baseline. This includes a 30% (resp. 31%) DICE improvement for one-shot segmentation under linear-probing (resp. fine-tuning). Finally, we also integrate the novel Pix2Rep concept with the Barlow Twins non-contrastive SSL, which leads to even better segmentation performance.

چکیده به فارسی (ترجمه ماشینی)

یادگیری عمیق ، تقسیم بندی تصویر پزشکی را متحول کرده است ، اما به حاشیه نویسی با کیفیت بالا متکی است.زمان ، هزینه و تخصص مورد نیاز برای برچسب زدن تصاویر در سطح پیکسل برای هر کار جدید ، اتخاذ گسترده پارادایم را کاهش داده است.ما Pix2Rep ، یک رویکرد یادگیری خود سنجی (SSL) را برای تقسیم چند شات پیشنهاد می کنیم ، که با یادگیری بازنمایی های قدرتمند پیکسل به طور مستقیم از تصاویر بدون برچسب ، بار حاشیه نویسی دستی را کاهش می دهد.Pix2Rep یک پارادایم از دست دادن سطح پیکسل و پیکسل جدید برای SSL متضاد در تصاویر کامل است.این برای رمزگذار عمومی رمزگذار عمق یادگیری عمیق (به عنوان مثال ، U-NET) اعمال می شود.در حالی که بیشتر روشهای SSL باعث تغییر در نمایش های سطح تصویر آموخته شده تحت شدت و تقویت تصویر مکانی می شوند ، Pix2Rep یکسانیت از بازنمودهای سطح پیکسل را اجرا می کند.ما چارچوب وظیفه تقسیم MRI قلبی را نشان می دهیم.نتایج نشان می دهد که عملکرد بهبود یافته در مقایسه با رویکردهای نیمه و خودكاری موجود.و کاهش 5 برابر بار حاشیه نویسی برای عملکرد معادل در مقابل یک پایه U-Net کاملاً نظارت شده.این شامل بهبود تاس 30 ٪ (31 ٪) برای تقسیم بندی یک شات زیر خطی است (به ترتیب تنظیم دقیق).سرانجام ، ما همچنین مفهوم رمان Pix2Rep را با SSL غیر کنتراستار دوقلوهای بارلو با هم ادغام می کنیم ، که منجر به عملکرد تقسیم بندی بهتر می شود.