日前，国际顶级期刊《Medical Image Analysis》（影响因子10+）论文作者、广西 医科大学教授、智能医学学科带头人李悦翔（Vic老师），将做客深度之眼Talk直播间，深度解析其团队最新研究成果——《Rubik’s Cube+: A self-supervised feature learning framework for 3D medical image analysis》。

TALK亮点抢先看

1. 顶刊成果首发：李悦翔教授团队提出的Rubik's Cube+框架，通过“魔⽅变换”实现3D医学影像的智能分析，显著提升模型泛化能⼒与数据利⽤率，成果已登国际顶刊！

2. 直击行业痛点：破解医学AI两大难题⸺多中心数据泛化不足、标注数据稀缺，分享领域自适应与自监督学习的最新技术方案。

3. 实战案例剖析：涵盖脑出血分类、脑肿瘤分割等真实场景，对比实验效果远超传统ImageNet预训练模型。

4. 独家福利放送：直播间免费分享论文原文、课件及医学生跨计算机领域学习资料（全网稀缺资源）！

深度之眼Talk由顶会主席、千引学者、Kaggle⼤师等领衔，全年1600+学员受益，助你跨越科研⻔槛。

嘉宾简介

李悦翔博士

• 英国诺丁汉大学博⼠

• 广西医科大学数字医学研究中心副主任

• 研究方向：3D医学影像分析、自监督学习、智能医疗系统

⽼师寄语

在医学影像智能判读领域，自监督技术虽已有⼀定的应⽤，但痛点明显。一方面，医学影像数据的复杂性和多样性导致自监督模型难以精准适应各类图像特征。不同成像设备、⼈体部位和病症表现出的影像差异巨大，模型泛化能力不足。另一方⾯，自监督学习缺乏有效的标注数据来验证和校准结果，这使得模型的准确性难以保障。在医学影像⾃监督领域，未来潜在科研热点可能集中在优化模型架构，以提升对复杂医学影像的特征提取和理解能⼒，增强模型的泛化性。同时，探索半监督或弱监督学习⽅法，结合少量⾼质量标注数据与⼤量无标注数据，提⾼模型准确性。此外，研究如何将自监督技术与其他先进技术，如迁移学习、强化学习等深度融合，也有望为医学影像智能判读带来新的突破。

关于深度之眼Talk

探索未知，启迪思维，加入Talk直播，让学习不再枯燥！

深度之眼Talk，是深度之眼为人工智能领域以及相关领域的学生提供的免费内容学习平台，今年我们为科研新人定制了“智慧浪潮系列”，帮助1600多名学生开阔了科研视野。深度之眼Talk由顶会领域主席、最佳论⽂作者、千引作者、最佳审稿人、kaggle master等大牛老师领衔主讲！覆盖了各个维度、各个领域的数百位⽼师。我们的目标是让每⼀位同学在深度之眼都能学习到普惠知识，都能有所收获。

在这里，Talk直播，不仅是⼀个平台，更是连接知识与梦想的桥梁。无论你是学霸还是学渣，这里都有你的⼀席之地！

往期TALK专题（部分）

别让你的学习之路孤单前行，深度之眼Talk陪你⼀起成⻓！期待更多的同学们加入我们，开启你的智慧之旅吧！

深度之眼Talk本期概述

由于深度学习的发展，越来越多的研究提出建立医疗影像数据自动化分析系统，以提高医疗服务质量。然⽽，⼤多数现有的医学⼈⼯智能（AI）系统仍然存在两个主要问题：多中心数据泛化性不足和标注数据有限难以很好训练深度学习模型。这两个挑战⼤幅降低了医学人工智能在实际应用中的稳定性。本次TALK将介绍针对以上两个痛点问题，重点介绍两个潜在解决方案（领域自适应和自监督学习）的最新技术。

论⽂鉴赏

摘要

Due to the development of deep learning, an increasing number of research works have been proposed to establish automated analysis systems for 3D volumetric medical data to improve the quality of patient care. However, it is challenging to obtain a large number of annotated 3D medical data needed to train a neural network well, as such manual annotation by physicians is time consuming and laborious. Self- Supervised learning is one of the potential solutions to mitigate the strong requirement of data annotation by deeply exploiting raw data information.

In this paper, we propose a novel self-supervised learning framework for volumetric medical data. Specifically, we propose a pretext task, i.e., Rubik’s cube+, to pre-train 3D neural networks. The pretext task involves three operations, namely cube ordering, cube rotating and cube masking, forcing networks to learn translation and rotation invariant features from the original 3D medical data, and tolerate the noise of the data at the same time. Compared to the strategy of training from scratch, fine-tuning from the Rubik’s cube+ pre-trained weights can

remarkablely boost the accuracy of 3D neural networks on various tasks, such as cerebral hemorrhage classification and brain tumor segmentation, without the use of extra data。

基础知识

框架图

李悦翔老师创新的提出利用魔方变换对三维医学图像进⾏建模。通过设计数据扰动和“魔⽅复原”代理任务，促使网络从原始数据中自发的提取包括器官解剖结构在内的有用信息。

创新点讲解

• 提出了⼀种新的3D自监督学习预训练任务⸺Rubik’s Cube+：把3D图像切块，通过打乱、旋转

和遮挡，让网络学习不变特征。

• 引⼊了立方体遮掩（masking）操作以增加任务的多样性：通过随机遮挡，提升任务复杂性，学习更鲁棒的特征。

• 设计了⼀种自监督学习网络架构⸺Siamese-Octad：多分⽀处理每个块，预测排列、旋转和遮掩

状态，适合3D图像学习。

该工作在脑部平扫CT和多模态MRI上都进行了测试，效果明显优于使用ImageNet预训练权重作为初始

网络参数的训练策略。

效果展示

课件预览

直播链接：https://pmhdt.xetslk.com/sl/F3k0u

责任编辑：kj005

文章投诉热线:157 3889 8464  投诉邮箱:7983347 16@qq.com