基于HU值的前景掩码用于三维医学掩码图像建模

尽管掩码图像建模（MIM）已经彻底改变了计算机视觉领域，但其在三维医学图像计算中的应用因使用随机掩码而受到限制，这种掩码方式忽略了解剖对象的密度。为了解决这一局限性，我们通过一种简单而有效的掩码策略来增强预训练任务。利用亨氏单位（HU）测量值，我们实现了一种基于HU的前景掩码，该掩码专注于内脏器官的强度分布，并排除缺乏诊断意义的非组织区域，如空气和液体。在五个公开的三维医学成像数据集上进行的大量实验表明，我们的掩码策略持续提升了性能，无论是在分割质量还是Dice分数上（BTCV：~84.64%，Flare22：~92.43%，MM-WHS：~90.67%，Amos22：~88.64%，BraTS：~78.55%）。这些结果强调了以领域为中心的MIM的重要性，并为医学图像分割中的表示学习指明了一个有前景的方向。代码实现可在github.com/AISeedHub/SubFore/获取。