3D 의료 이미지 분석을 위한 가변 차원 변환 기반 지도 3D 사전 학습의 발전

데이터 수집과 주석화의 어려움은 3D 의료 영상 응용 프로그램의 훈련 데이터셋 샘플 크기를 크게 제한하고 있습니다. 이로 인해 충분한 사전 훈련 파라미터가 부족한 상황에서 고성능 3D 컨벌루션 신경망을 처음부터 구축하는 것은 여전히 어려운 과제입니다. 이전의 3D 사전 훈련 연구들은 주로 라벨이 없는 데이터를 사용하여 예측 학습 또는 대조 학습을 통해 불변 3D 표현을 구축하는 자기 지도 방식에 의존해 왔습니다. 그러나 대규모 감독 정보가 부족하기 때문에 이러한 학습 프레임워크에서 의미적으로 불변하고 차별적인 표현을 얻는 것은 여전히 문제점으로 남아 있습니다.본 논문에서는 혁신적이면서도 간단한 완전 지도 3D 네트워크 사전 훈련 프레임워크를 재검토하여 대규모 2D 자연 이미지 데이터셋에서 얻은 의미적 감독 정보를 활용합니다. 개선된 3D 네트워크 아키텍처를 통해 재구성된 자연 이미지를 사용하여 데이터 부족 문제를 해결하고 강력한 3D 표현을 개발합니다. 네 가지 벤치마크 데이터셋에 대한 포괄적인 실험 결과, 제안된 사전 훈련 모델이 다양한 3D 의료 영상 작업(분류, 분할, 탐지 등)에서 수렴 속도를 효과적으로 가속화하면서 정확성을 향상시키는 것으로 나타났습니다. 또한 처음부터 훈련하는 것에 비해 최대 60%의 주석화 노력을 절약할 수 있었습니다.NIH DeepLesion 데이터셋에서도 본 모델은 기존의 자기 지도 및 완전 지도 사전 훈련 접근법뿐만 아니라 처음부터 훈련하는 방법보다 우수한 최고 수준의 탐지 성능을 달성했습니다. 3D 의료 모델의 추가 발전을 촉진하기 위해, 우리의 코드와 사전 훈련된 모델 가중치는 공개적으로 https://github.com/urmagicsmine/CSPR에서 이용 가능합니다.