A Simple-yet-Effective Volume Contrastive Learning Framework for 3D Medical Image Analysis
一个简单而有效的三维医学图像分析体积对比学习框架

是通过自监督学习搭建的学习框架

自监督学习是无监督学习下的一个分支；

        它通过从未标注的数据中生成伪标签来进行训练。自监督学习利用数据的内在结构或属性来创建训练任务，从而在没有人工标注的情况下进行学习。自监督学习常用于预训练模型，然后将预训练的模型迁移到有标注的数据上进行微调（finetune）。

        自监督学习的监督信息不是人工标注的，而是是通过辅助任务（pretext）在大规模无监督数据中自动构造监督信息，通过得到的标签，就可以类似有监督学习一样进行训练。

VoCo的辅助任务（pretext）:首先从不同区域的一组基本作物，同时强制它们之间的特征差异，我们将它们用作不同区域的类分配。然后，我们随机裁剪子体积，并通过对比它们与不同基本作物的相似性来预测它们属于哪个类（位于哪个区域），这可以看作是预测不同子体积的上下文位置。

具体流程：

1.首先定义一个Pretext task (辅助任务)，即从无监督的数据中，通过巧妙地设计自动构造出有监督（伪标签）数据，学习得到一个预训练模型。

通过10k dataset 训练得到 预训练模型 VoCo_10k.pt.

2.然后可以将预训练模型，通过简单的Finetune，应用到下游的多个应用场景，以分割任务为例：BTCV（腹部）、MM-WHS（全心）。

1. 加载预训练模型：

   • 使用预训练模型的权重初始化下游任务的模型(SwinUNETR)。
   • 在main.py中，通过args.pretrained_checkpoint加载预训练模型VoCo_10k.pt。将预训练模型VoCo_10k.pt中的预训练权重，加载到SwinUNETR模型中.

2. 定义下游任务的模型结构：

   • 使用SwinUNETR模型进行分割任务。加载预训练权重后，定义模型的结构。
   • 在main.py中，定义了SwinUNETR模型，并加载预训练权重。

3. 设置优化器和损失函数：

   • 定义优化器（如AdamW）和损失函数（如DiceCELoss）。
   • 在main.py中，设置了优化器和损失函数。

4. 进行训练和验证：

   • 使用训练数据进行模型训练，并在验证数据上进行评估。
   • 在trainer.py中，定义了训练和验证的具体过程。

对于不同部位分隔的调整：

 pre - processing (scale intensity,spacing) can be different.

Now we set scale intensity[-175, 250] for abdomen and head neck [0,1700] for heart [-500,1000] for chest. for spacing and size it should be depended by specific datadet