مقاله توضیحات طبقه‌بندی‌کننده‌ها، تقسیم‌بندی تصویر پزشکی را از طریق پیش‌آموزش پایان به انتها افزایش می‌دهد.

چکیده

Medical image segmentation aims to identify and locate abnormal structures in medical images, such as chest radiographs, using deep neural networks. These networks require a large number of annotated images with fine-grained masks for the regions of interest, making pre-training strategies based on classification datasets essential for sample efficiency. Based on a large-scale medical image classification dataset, our work collects explanations from well-trained classifiers to generate pseudo labels of segmentation tasks. Specifically, we offer a case study on chest radiographs and train image classifiers on the CheXpert dataset to identify 14 pathological observations in radiology. We then use Integrated Gradients (IG) method to distill and boost the explanations obtained from the classifiers, generating massive diagnosis-oriented localization labels (DoLL). These DoLL-annotated images are used for pre-training the model before fine-tuning it for downstream segmentation tasks, including COVID-19 infectious areas, lungs, heart, and clavicles. Our method outperforms other baselines, showcasing significant advantages in model performance and training efficiency across various segmentation settings.

چکیده به فارسی (ترجمه ماشینی)

تقسیم تصویر پزشکی با هدف شناسایی و یافتن ساختارهای غیر طبیعی در تصاویر پزشکی مانند رادیوگرافی قفسه سینه با استفاده از شبکه های عصبی عمیق انجام می شود.این شبکه ها به تعداد زیادی از تصاویر حاشیه نویسی با ماسک های ریز دانه برای مناطق مورد علاقه نیاز دارند و استراتژی های قبل از آموزش را بر اساس مجموعه داده های طبقه بندی برای کارآیی نمونه ضروری می کنند.بر اساس یک مجموعه داده طبقه بندی تصویر پزشکی در مقیاس بزرگ ، کار ما توضیحاتی را از طبقه بندی کننده های آموزش دیده برای تولید برچسب های شبه از وظایف تقسیم بندی جمع آوری می کند.به طور خاص ، ما یک مطالعه موردی در مورد رادیوگرافی قفسه سینه و طبقه بندی کننده تصویر قطار در مجموعه داده های CHEXPERT ارائه می دهیم تا 14 مشاهدات پاتولوژیک در رادیولوژی را شناسایی کنیم.سپس ما از روش شیب های یکپارچه (IG) برای تقطیر و تقویت توضیحات به دست آمده از طبقه بندی ها استفاده می کنیم و برچسب های محلی سازی تشخیصی گسترده (DOLL) را ایجاد می کنیم.این تصاویر با حاشیه عروسک قبل از تنظیم دقیق آن برای کارهای تقسیم بندی پایین دست ، از جمله مناطق عفونی COVID-19 ، ریه ها ، قلب و کلویس ها ، برای پیش کشیدن مدل استفاده می شود.روش ما از سایر خطوطی بهتر است ، و مزایای قابل توجهی در عملکرد مدل و راندمان آموزش در تنظیمات مختلف تقسیم بندی نشان می دهد.