基于MAE预训练的三维半监督的腰椎区域兴趣细分基于MAE预训练的三维半监督的腰椎区域兴趣细分
Yang Liu1, Jian Chen1, Jinjin Hai1
1Henan Key Laboratory of Imaging and Intelligent Processing, PLA Strategy Support Force Information Engineering University, Zhengzhou, Henan, China.
Journal of X-ray science and technology
|February 20, 2025
概括
这项研究引入了一种新的半监督深度学习方法,用于细分腰椎有趣区域 (ROI). 这种方法在有限的数据中显著提高了准确性,有助于评估骨密度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 对于骨密度评估而言,手动注释腰椎利益区域 (ROI) 是耗时的.
- 深度学习 (DL) 为自动化细分提供了一个潜在的解决方案,提高了临床诊断效率.
研究的目的:
- 开发一种半监督的3D细分方法,用于使用修改后的蒙面自编码器 (MAE) 预训练策略来实现腰椎ROI.
- 在医学成像中提高腰椎细分的效率和准确性.
主要方法:
- 一个新的管道掩盖策略被整合到掩盖自动编码器 (MAE) 预培训网络中,在未标记的图像上进行培训.
- 使用伪标签生成的半监督方法用于下游细分任务,具有有限的标签数据.
主要成果:
- 拟议的方法提高了5-7%的子系数,并将豪斯多夫距离减少了0.20.6毫米,与仅使用UNetr和有限的注释数据相比.
- 与传统的MAE相比,管道遮MAE增强了2%的子系数和0.24毫米的豪斯多夫距离的细分.
结论:
- 管罩MAE预训练模型有效地提取用于3D腰椎细分的上下文信息.
- 将此与半监督网络和伪标签相结合,可以高效准确地对腰椎ROI进行3D细分.
