Modèles Genesis : Modèles autodidactes génériques pour l'analyse d'images médicales 3D

Le transfert d'apprentissage des images naturelles aux images médicales s'est établi comme l'un des paradigmes les plus pratiques dans le domaine de l'apprentissage profond pour l'analyse d'images médicales. Cependant, pour s'adapter à ce paradigme, les tâches d'imagerie 3D dans les modalités d'imagerie les plus courantes (par exemple, la tomographie computed (CT) et l'imagerie par résonance magnétique (IRM)) doivent être reformulées et résolues en 2D, ce qui entraîne une perte d'informations anatomiques 3D riches et compromet inévitablement les performances.Pour surmonter cette limitation, nous avons développé un ensemble de modèles appelés Modèles Autodidactes Génériques, surnommés Models Genesis, car ils sont créés ex nihilo (sans étiquetage manuel), appris par auto-supervision et génériques (servant de modèles sources pour générer des modèles cibles spécifiques à des applications). Nos expérimentations approfondies montrent que nos Models Genesis surpassent significativement l'apprentissage à partir de zéro dans toutes les cinq applications cibles 3D couvrant à la fois la segmentation et la classification. Plus important encore, l'apprentissage d'un modèle simplement en 3D ne garantit pas nécessairement une performance supérieure au transfert d'apprentissage depuis ImageNet en 2D ; cependant, nos Models Genesis surpassent constamment toutes les approches 2D, y compris le réglage fin des modèles pré-entraînés sur ImageNet ainsi que le réglage fin des versions 2D de nos Models Genesis. Cela confirme l'importance des informations anatomiques 3D et la pertinence de nos Models Genesis pour l'imagerie médicale 3D.Cette performance est attribuée à notre cadre unifié d'apprentissage auto-supervisé, basé sur une observation simple mais puissante : l'anatomie sophistiquée mais récurrente dans les images médicales peut servir de signaux de supervision forts pour permettre aux modèles profonds d'apprendre automatiquement une représentation anatomique commune par auto-supervision. Dans un esprit de science ouverte, tous les modèles pré-entraînés Genesis sont disponibles sur https://github.com/MrGiovanni/ModelsGenesis.