少样本部署预训练 MRI 变换器在脑成像任务中的应用
计算机视觉与模式识别
2025-08-11 v1 人工智能
摘要
机器学习使用变换器在医学成像中显示出巨大的潜力，但其实际应用受限于缺乏标记数据的限制。本研究提出了一个在多样化脑成像任务中部署预训练 MRI 变换器的实用框架。通过利用掩码自编码器（MAE）在由3100万片以上组成的大规模、多队列脑 MRI 数据集上进行预训练，我们获得高度可迁移的潜在表示，能够在不同任务和数据集之间良好泛化。对于高层次任务（如分类），冻结的MAE编码器结合轻量级线性头即可在最小监督条件下实现 MRI 序列识别的准确率突破。对于低层次任务（如分割），我们提出了MAE-FUnet，这是一种将多尺度CNN特征与预训练MAE嵌入融合的混合体系结构。该模型在数据受限条件下在骨髓去除和多类解剖分割任务中 consistently 超过其他强大基线。通过广泛的定量和定性评估，我们的框架表现出效率、稳定性和可扩展性，表明其适用于低资源临床环境和更广泛的神经成像应用。
引用
@article{arxiv.2508.05783,
title = {Few-Shot Deployment of Pretrained MRI Transformers in Brain Imaging Tasks},
author = {Mengyu Li and Guoyao Shen and Chad W. Farris and Xin Zhang},
journal= {arXiv preprint arXiv:2508.05783},
year = {2025}
}
备注
30 pages, 8 figures, 7 tables