校准的自监督Vision Transformer提升临床CT头扫描中内脑动脉钙化分割性能
计算机视觉与模式识别
2025-10-30 v2
摘要
Vision Transformer（ViT）在自然图像领域取得了显著的成功，但在3D医学图像分割方面效果有限。然而，3D ViT因其在掩码自编码器（MAE）框架下的高效自监督训练而引人关注，该框架无需昂贵的手动标注即可使用影像数据。内脑动脉钙化（IAC）是CT扫描上可见的影像生物标志物，与中风和痴呆等神经血管疾病相关，自动化的IAC量化可为大规模风险评估提供可能。我们首次对ViT进行MAE预训练并用于IAC分割。为开发模型，我们使用来自大型临床试验（第三次国际中风试验IST-3）的高度异构数据。我们评估了MAE预训练ViT在IAC分割中的关键方面，并分析了临床意义。我们展示：1）我们的校准自监督ViT在Dice评分上超过强大的监督nnU-Net基线提升了3.2分；2）小patch大小对ViT进行IAC分割至关重要，使用常规卷积进行插值上采样优于转置卷积用于ViT模型；3）我们的ViT对更高的层厚度更具鲁棒性，并在临床场景中提高了46%的风险组分类。我们的代码已公开。
引用
@article{arxiv.2507.01744,
title = {Calibrated Self-supervised Vision Transformers Improve Intracranial Arterial Calcification Segmentation from Clinical CT Head Scans},
author = {Benjamin Jin and Grant Mair and Joanna M. Wardlaw and Maria del C. Valdés Hernández},
journal= {arXiv preprint arXiv:2507.01744},
year = {2025}
}
备注
Accepted at the 3rd Data Engineering in Medical Imaging workshop @ MICCAI 2025