论文作者：Sanaz Karimijafarbigloo,Reza Azad,Amirhossein Kazerouni,Yury Velichko,Ulas Bagci,Dorit Merhof
作者单位：University of Regensburg;RWTH Aachen University;Iran University of Science and Technology;Northwestern University;Fraunhofer Institute for Digital Medicine MEVIS
论文链接：http://arxiv.org/abs/2309.00143v1
项目链接：https://github.com/mindflow-institue/SSCT
内容简介：
1）方向：医学图像分割
2）应用：自动临床决策程序
3）背景：现有的医学图像分割的监督深度学习方法在大量标记训练数据的依赖上遇到了挑战。
4）方法：本文提出了一种新的自监督算法S^3-Net，该算法结合了基于提出的Inception Large Kernel Attention (I-LKA)模块的强大框架。此架构增强了模型对上下文信息的全面捕捉能力，同时保留了局部细节，从而实现了精确的语义分割。此外，考虑到医学图像中的病变通常表现出变形，利用可变形卷积作为一个组成部分，有效地捕捉和描绘病变的变形，以实现更好的目标边界定义。此外，自监督策略强调对仿射变换的不变性的获取，这在医学场景中经常遇到。这种对几何扭曲的鲁棒性的强调显著增强了模型准确建模和处理此类扭曲的能力。为了强制空间一致性并促进具有相似特征表示的空间连接图像像素的分组，引入了空间一致性损失项。这有助于网络有效地捕捉相邻像素之间的关系，提高整体分割质量。S^3-Net方法以端到端的方式迭代学习像素级特征表示，用于图像内容聚类。在皮肤病变和肺器官分割任务上的实验结果显示了所提出方法相对于SOTA方法的优越性能。
5）结果：实验结果表明，所提出方法在皮肤病变和肺器官分割任务上表现出优越的性能。
