从公开的未标记数据中获益:基于弗朗吉波器的预训网络,用于3D脑血管细分
1School of Engineering Medicine and School of Biological Science and Medical Engineering, Beihang University, Beijing, 100191, China; Key Laboratory of Big DataBased Precision Medicine (Beihang University), Ministry of Industry and Information Technology of China, Beijing, 100191, China; CAS Key Laboratory of Molecular Imaging, Institute of Automation, Chinese Academy of Sciences, Beijing, 100190, China.
Medical image analysis
|January 21, 2025
概括
这项研究引入了一种新方法,用于在飞行时间磁共振血管学 (TOF-MRA) 数据中对大脑血管进行细分. 利用大量未标记的数据集和弗朗吉过器,它显著提高了计算机辅助诊断的细分精度.
科学领域:
- 医疗成像医学成像
- 神经科学是一个神经科学.
- 计算机视觉 计算机视觉
背景情况:
- 在飞行时间磁共振血管学 (TOF-MRA) 中精确的脑血管细分对于计算机辅助诊断至关重要.
- 由于脑血管结构稀疏,TOF-MRA数据的手动标签成本高昂.
研究的目的:
- 利用大规模未标记的TOF-MRA数据,开发一个有效的3D脑血管细分预训练策略.
- 通过利用弗兰吉过器来增强类似船只的结构来提高模型性能.
主要方法:
- 构建最大的预处理未标记TOF-MRA数据集 (1510名受试者).
- 开发基于Frangi波器的未标记数据预处理工作流程.
- 实施多任务预培训战略,以有效提取知识.
主要成果:
- 预训练模型在四个脑血管细分数据集上取得了卓越的性能.
- 与最先进的方法相比,clDice指标的改善率大约为2%-3%.
- 废弃性研究证实了在不同的骨干结构中普遍性和有效性.
结论:
- 拟议的预训练策略有效地利用未标记的TOF-MRA数据来改善3D脑血管细分.
- 这种方法为增强计算机辅助诊断系统提供了具有成本效益的解决方案.
- 开源代码和数据促进了进一步的研究和开发.
