[MICCAI2019] Models Genesis: Generic Autodidactic Models for 3D Medical Image Analysis

作者信息
Zongwei Zhou, Arizona State University

---

医疗影像的一个痛点，数据少，常常需要自然图像的预训练模型做迁移学习，最广泛的预训练模型ImageNet是2D的，而医疗影像大多3D，且3D数据包含了影像的结构信息，一般而言，3D训练效果会比2D好。3D预训练模型的缺乏是本文的一个出发点。
（最近腾讯有出一个3D医疗影像的预训练模型https://github.com/Tencent/MedicalNet）

主要思想

既然缺乏3D预训练模型，那如何利用手头的数据自己生成一个预训练模型？很自然的想到用autoencoder，通过图像重建的过程让encoder， decoder 网络学习特征，之后再利用训练好的encoder， decoder 来做分割或分类任务。这个思路早已有之，但作者创新的一点是，encoder输入的不是原图，而是引入了3类数据增强方法对影像进行变换，强迫Encoder， Decoder将变换后的影像恢复成原图，使得网络学习到数据的形状特征，纹理特征以及上下文特征。

这个思路算是很简单了。但是作者实验做得很详尽，在6个数据集上做出的效果都很突出。

我的笔记

simple idea + elaborate experiments + scientific analysis