Fortschritte in der 3D-Bildanalyse in der Medizin durch überwachtes 3D-VorkTraining auf Basis von Variablen-Dimensionstransformationen

Die Schwierigkeiten bei der Datenerfassung und -annotierung beschränken erheblich die Stichprobengrößen von Trainingsdatensätzen für Anwendungen im Bereich der 3D-medizinischen Bildgebung. Daher bleibt die Konstruktion hochleistungsfähiger 3D-Faltungsnetze (Convolutional Neural Networks) aus dem Grund auf eine schwierige Aufgabe, wenn ausreichende Vor-Trainingsparameter fehlen. Frühere Bemühungen zur 3D-Vor-Training haben häufig selbstüberwachte Ansätze verwendet, die entweder vorhersagendes oder kontrastives Lernen an unannotierten Daten anwenden, um invariante 3D-Darstellungen zu erstellen. Aufgrund des Mangels an umfangreichen Überwachungsinformationen ist es jedoch weiterhin problematisch, semantisch invariante und diskriminative Darstellungen aus diesen Lernframeworks zu gewinnen. In dieser Arbeit untersuchen wir ein innovatives und gleichzeitig einfaches vollständig überwachtes Framework für das Vor-Training von 3D-Netzen, um von den semantischen Überwachungen großer 2D-Naturbild-Datensätze zu profitieren. Durch eine neu gestaltete Architektur von 3D-Netzen werden umformulierte Naturbilder genutzt, um das Problem der Datenknappheit anzugehen und leistungsstarke 3D-Darstellungen zu entwickeln. Umfassende Experimente auf vier Benchmark-Datensätzen zeigen, dass die vorgeschlagenen vortrainierten Modelle sowohl die Konvergenz effektiv beschleunigen als auch die Genauigkeit für verschiedene 3D-medizinische Bildgebungsaufgaben wie Klassifikation, Segmentierung und Detektion verbessern können. Zudem kann im Vergleich zum Training aus dem Grund bis zu 60 % der Annotierungsaufwand eingespart werden. Am NIH DeepLesion-Datensatz erreicht es zudem Spitzenleistungen in der Detektion, wobei es frühere selbstüberwachte und vollständig überwachte Vor-Training-Ansätze sowie Methoden übertreffen kann, die das Training aus dem Grund durchführen. Um die weitere Entwicklung von 3D-medizinischen Modellen zu fördern, sind unser Code und die Gewichte der vortrainierten Modelle öffentlich verfügbar unter https://github.com/urmagicsmine/CSPR.