3D磁気共鳴画像のセグメンテーション,分類,および登録のためのビジョン基盤モデル

科学分野:

• 人工知能 (AI) とは,人工知能 (AI) のことです.
• メディカルイマージング (医学イメージング)
• コンピュータビジョン コンピュータビジョン

背景:

• ビジョン・ファンデーション・モデル (Vision Foundation Models, VFMs) は,下流のタスクのための一般的な表現を提供します.
• 既存のVFMは,MRI以外のモダリティに事前に訓練されることが多く,MRIアプリケーションのパフォーマンスを制限しています.
• イメージングの原理とデータ分布の違いは,MRIにおけるVFMの汎用性を妨げています.

研究 の 目的:

• 3D MRIのセグメンテーション,分類,および登録のために特別に設計されたVFMであるTriadを紹介します.
• 最大の3DMRI予備トレーニングデータセット (Triad-129K) を活用して,堅実な表現学習を可能にします.
• 3D MRI アプリケーションでVFMの性能と汎用性を向上させる.

主な方法:

• 129Kの3DMRIボリュームでSimMIMフレームワークを使用してTriadを開発しました.
• モダリティとイメージングパラメータのテキスト記述を使用した制限された意味分布.
• セグメンテーション,分類,および登録タスクの25のダウンストリームデータセットでTriadを評価しました.

主要な成果:

• nnUNet-Triad-SimMIMは,17のデータセットでnnUNet-Scratchよりも2.13%のセグメンテーションを改善しました.
• Swin-B-Triad-SimMIMは5つのデータセットでSwin-B-Scratchよりも4.38%の分類改善を達成しました.
• SwinUNETR-Triad-SimMIMは,SwinUNETR-Scratchよりも2つのデータセットで登録を3.84%改善しました.

結論:

• 3DMRIデータに関する大規模な事前トレーニングは,下流のタスクにおけるパフォーマンスを大幅に高めます.
• トライアードは,医療画像アプリケーションのMRI専用のVFMの価値を実証しています.
• プレトレーニングとダウンストリームタスクの間の一貫したデータ様式と器官特性は,パフォーマンスの向上の鍵です.