面向创伤性脑损伤分割的大规模监督预训练
计算机视觉与模式识别
2025-04-10 v1
摘要
对msTBI（Moderate to Severe Traumatic Brain Injury）中病灶的分割在神经影像学中 presents a significant challenge，因为这些病灶在大小、形状和分布上都具有多样性，这些特征异质性使传统图像处理技术难以应对，导致在图像配准和脑分割等任务中出现关键错误。为此，2024年AIMS-TBI分割挑战赛旨在推动针对T1加权MRI数据（临床实践中最广泛使用的成像模态）开发创新分割算法。我们的解决方案借鉴了MultiTalent方法，采用大规模多数据集监督预训练策略。我们在覆盖各种解剖和病理结构的综合数据集上训练Resenc L网络，使模型具备对脑解剖和病理的稳健理解能力。随后，在msTBI专用数据上进行微调，以优化其对T1加权MRI扫描独特性特征的适应性。实验结果表明，该方法在没有预训练的基准模型上实现了最高可达2个Dice分数的提升。
引用
@article{arxiv.2504.06741,
title = {Large Scale Supervised Pretraining For Traumatic Brain Injury Segmentation},
author = {Constantin Ulrich and Tassilo Wald and Fabian Isensee and Klaus H. Maier-Hein},
journal= {arXiv preprint arXiv:2504.06741},
year = {2025}
}