基于学生-教师学习的全心脏分割基座模型：多模态医学影像中的应用
图像与视频处理
2025-03-26 v1 计算机视觉与模式识别
摘要
从 CT 和 MRI 扫描中进行全心脏分割对于心血管疾病分析至关重要，但现有方法在模态特定偏差和大量标记数据集的需求方面存在挑战。为此，我们提出一种基于自监督学习（SSL）框架的全心脏分割基座模型，采用学生-教师体系结构。该模型在大量未标记的 CT 和 MRI 扫描数据上进行预训练，利用 xLSTM 主干网络捕捉 3D 医学图像中长程空间依赖关系和复杂解剖结构。通过多模态预训练，我们的方法确保了在 CT 和 MRI 两种模态上的强大泛化能力，减轻了模态特定差异，提高了在多样临床环境下的分割准确性。大规模未标记数据显著减少了对手动标注的依赖，使模型即使在标注数据有限的情况下也能实现稳健的性能。我们进一步引入基于 xLSTM-UNet 的架构用于下游全心脏分割任务，实验结果表明其在稀缺标注的 CT 和 MRI 数据集上效果显著。我们的结果验证了所提出模型的鲁棒性和适应性，突显了其在医学影像中推动自动化全心脏分割的潜力。
引用
@article{arxiv.2503.19005,
title = {Foundation Model for Whole-Heart Segmentation: Leveraging Student-Teacher Learning in Multi-Modal Medical Imaging},
author = {Abdul Qayyum and Moona Mazher and Devran Ugurlu and Jose Alonso Solis Lemus and Cristobal Rodero and Steven A Niederer},
journal= {arXiv preprint arXiv:2503.19005},
year = {2025}
}