通过顶点相对位置编码实现 3D 创伤检测中的自监督和半监督学习以应对数据稀缺问题
计算机视觉与模式识别
2026-03-16 v1 机器学习
摘要
精准检测和定位腹部 CT 扫描中的创伤伤势是紧急放射学中的关键挑战，主要由于标注医疗数据的严重稀缺。本文提出一种标签高效的方法，结合自监督预训练与半监督检测，用于 3D 医学图像分析。我们对 1,206 份 CT 体积进行无标注的基于补丁的掩码图像建模 (MIM) 预训练 3D U-Net 编码器，学习鲁棒的解剖表征。预训练的编码器支持两种下游临床任务：使用顶点相对位置编码 (VDETR) 的 3D 损伤检测，以及多标签损伤分类。对于检测任务，仅使用 144 张标注训练样本，结合 2,000 张无标签体积和一致性正则化进行半监督学习，即可实现 56.57% 的验证 [email protected] 和 45.30% 的测试 [email protected]，显著优于仅监督训练的 115% 提升。对于分类任务，扩展到 2,244 张标注样本，仅使用冻结编码器即可在七类损伤中实现 94.07% 的测试准确率，表明自监督特征具备即插即用的迁移能力。我们的结果表明，自监督预训练结合半监督学习有效解决了医学影像中的标签稀缺问题，实现了基于有限标注的鲁棒 3D 对象检测。
引用
@article{arxiv.2603.12514,
title = {Addressing Data Scarcity in 3D Trauma Detection through Self-Supervised and Semi-Supervised Learning with Vertex Relative Position Encoding},
author = {Shivam Chaudhary and Sheethal Bhat and Andreas Maier},
journal= {arXiv preprint arXiv:2603.12514},
year = {2026}
}
备注
9 pages, 6 figures, 6 tables. The code is available at https://github.com/shivasmic/3d-trauma-detection-ssl