基于掩膜对比学习的细粒度对齐算法:提升放射学报告基础模型的表示能力
原文中文,约300字,阅读约需1分钟。发表于: 。本研究介绍了 MaCo,一种新颖的多模态医学基础模型,通过探索遮蔽对比学习实现医学影像任务的细粒度对齐和零样本学习,并结合相关权重机制来增强表示学习能力。我们在六个知名的开源 X 射线数据集上评估 MaCo,实验结果表明其在分类、分割和零样本阶段定位方面优于七种最先进的方法,展示了其在促进各种医学图像分析任务方面的巨大潜力。
该研究提出了一种名为MaCo的多模态医学基础模型,通过遮蔽对比学习实现医学影像任务的细粒度对齐和零样本学习,并结合相关权重机制来增强表示学习能力。在六个开源X射线数据集上评估MaCo,实验结果表明其在分类、分割和零样本阶段定位方面优于七种最先进的方法,展示了其在促进各种医学图像分析任务方面的巨大潜力。