自主监督的基于预培训的混合网络,用于深灰质核细分深灰质核

科学领域:

• 医学图像分析 医学图像分析
• 人工智能在医学中的应用
• 神经成像是一种神经成像.

背景情况:

• 精确细分深灰质核对于诊断和治疗神经系统疾病至关重要.
• 监督学习方法需要广泛的标记数据集,这些数据集对于医学成像来说很难和耗时.
• 卷积神经网络 (CNN) 在捕获对复杂的细分任务至关重要的远程依赖性方面存在局限性.

研究的目的:

• 开发一种使用新型混合网络进行深灰质核细分的改进方法.
• 利用自我监督学习来减少对大型标记数据集的依赖.
• 通过结合本地和全球特征提取来提高细分性能.

主要方法:

• 提出了一个CNN-变压器混合网络 (CTNet),将3D CNN集成为本地特征和视觉变压器 (ViT) 集成为全球环境.
• 实施了自主监督学习 (SSL) 策略,涉及旋转预测和掩盖特征重建,用于在未标记的数据上预训练CTNet.
• 在3T和7T人类大脑MRI数据集上评估了该方法.

主要成果:

• 与现有模型相比,拟议的CTNet表现出优越的细分性能.
• 自主监督的预训练策略优于其他先进的SSL方法.
• 即使只有一个标记样本,预训练的CTNet在随机初始化的网络中,在子相似系数 (DSC) 中也显示了8.4%的改善.

结论:

• 开发的CTNet采用了新的SSL方法进行预训练,为深灰质核细分提供了强大而高效的解决方案.
• 这种方法显著提高了细分的准确性,特别是在低数据的制度,解决医疗图像分析的一个关键挑战.
• 混合架构有效地捕获本地和全球信息,从而在神经成像细分方面实现了最先进的性能.