用于动脉瘤检测的解剖结构引导掩码自编码器预训练
计算机视觉与模式识别
2025-03-03 v1
摘要
颅内动脉瘤是全球发病率和死亡率的一个重要原因，手动检测是一项复杂且耗时的任务。尽管人们期望实现自动化解决方案，但训练数据的有限可用性使得使用典型的监督学习框架开发此类解决方案变得困难。在本工作中，我们提出了一种新颖的预训练策略，使用更广泛可用的未标注头部 CT 扫描数据来预训练 3D Vision Transformer 模型，随后针对动脉瘤检测任务进行微调。具体而言，我们通过以下方式修改了掩码自编码器 (MAE) 预训练：我们使用分解自注意力机制使 3D 注意力在计算上可行；我们将掩码补丁限制在动脉附近区域，以聚焦于动脉瘤可能发生的区域；我们不仅重建 CT 扫描强度值，还重建动脉距离图（描述每个体素到最近动脉的距离），从而增强主干网络学习到的表示。与 SOTA 动脉瘤检测模型相比，我们的方法在 0.5 的假阳性率下获得了 +4-8% 的绝对灵敏度提升。代码和权重将公开发布。
引用
@article{arxiv.2502.21244,
title = {Anatomically-guided masked autoencoder pre-training for aneurysm detection},
author = {Alberto Mario Ceballos-Arroyo and Jisoo Kim and Chu-Hsuan Lin and Lei Qin and Geoffrey S. Young and Huaizu Jiang},
journal= {arXiv preprint arXiv:2502.21244},
year = {2025}
}
备注
11 pages, 3 figures