将 2D 基础 DINOv3 表示扩展至新生儿脑 MR 图像的 3D 分割
图像与视频处理
2026-03-02 v1 计算机视觉与模式识别
摘要
对小儿前后期婴儿脑部结构的精确体积描绘对于量化神经发育轨迹至关重要，细微的形态变化可能携带预后意义。虽然大规模视觉数据上训练的基础编码器提供判别性表示，但其 2D 表述在脑解剖的 3D 组织方面存在局限。我们提出了一种体积分割策略，通过结构化窗口分解-重组机制来解决这一矛盾：将整个 MRI 体积分解为非重叠的 3D 窗口或子立方体，每个窗口通过基于冻结高保真特征的独立解码臂处理，然后在地面实况对应之前重组，并通过稠密预测头实现。该架构保持解码器内存占用的恒定，同时迫使预测落在解剖学一致的几何中。针对青少年数据集上的青素素分割进行评估，我们的方法在单个 3D 窗口上实现了 0.65 的 Dice 分数。该方法表明，虽然 2D 基础表示本身不具备 3D 解剖结构的完整感知，但通过结构化组成解码，仍可从中恢复体积解剖结构，为基础模型在 3D 医学应用中的扩展提供了原则且可推广的方案。
引用
@article{arxiv.2602.23962,
title = {Extending 2D foundational DINOv3 representations to 3D segmentation of neonatal brain MR images},
author = {Annayah Usman and Behraj Khan and Tahir Qasim Syed},
journal= {arXiv preprint arXiv:2602.23962},
year = {2026}
}