Pix2Rep-v2：密集医学成像应用的数据高效表示学习

密集自监督学习（SSL）是一种强大的范例，无需注释即可学习解决密集医学成像任务所需的局部描述符。我们提出了 Pix2Rep-v2，这是一个适用于少镜头下游应用的像素和体素级表示的 SSL 框架。 Pix2Rep-v2 通过利用像素级的冗余减少目标和密集表示的等效原理，解决了密集 SSL 的主要挑战，可有效扩展到 3D 或宽视场应用。我们在四个数据集上评估我们的方法，跨多个任务、多种模式和解剖结构，使用 2D 和 3D 的多个主干网，并在各种数据机制下。作为下游任务中线性探测或完整 微调 的替代方案，我们还提出了一种基于密集原型方法的上下文变体，无需下游训练。与完全监督的基线相比，Pix2Rep-v2 在少样本场景中显示出更高的数据效率，并且与最先进的技术具有竞争力，例如在 M&Ms-2 数据集上的单样本分割中 +9.3 个 Dice 点。我们的代码和预训练模型可在 https://github.com/BioMedTP/pix2rep-v2 上公开获取。