基于解剖学的监督预训练 (SAP) 方法提高 Whole-Body MRI 中转移性骨病灶分割效果
图像与视频处理
2025-06-25 v1 计算机视觉与模式识别
摘要
Whole-Body MRI (WB-MRI) 中转移性骨病灶 (MBD) 的分割是一个具有挑战性的问题。由于病灶在不同部位的表现形式、边界模糊以及严重的类别不平衡，获取可靠的分割结果需要大量覆盖病灶变异性的高质量标注数据。生成此类数据集需要大量时间和专业知识，且容易出错。虽然自监督学习 (SSL) 可以利用大量无标签数据，但所学的通用表征往往难以捕获准确病灶检测所需的细微特征。在本工作中，我们提出了一种监督解剖学预训练 (SAP) 方法，该方法从有限的解剖学标签数据中进行学习。首先，开发并在来自健康个体的 WB-MRI 扫描上训练了一个MRI-based骨骼分割模型，以实现高质量的骨骼描绘。然后，我们比较了其在对44例转移性前列腺癌患者的 MBD 分割效果，与基线随机初始化和最新SSL方法的效果。SAP显著优于基线和SSL预训练模型，实现了0.76的归一化表面 Dice 系数和0.64的 Dice 系数。该方法在病灶检测 F2 分数上达到0.44，将基线的0.24和SSL的0.31提升。当仅考虑大于1~ml的临床相关病灶时，SAP在32例患者中实现了28例100%的检测灵敏度。从解剖学中学习骨骼形态学，为下游骨病灶分割任务提供了有效且领域相关的归纳偏置。所有代码和模型均已公开。
引用
@article{arxiv.2506.19590,
title = {Learning from Anatomy: Supervised Anatomical Pretraining (SAP) for Improved Metastatic Bone Disease Segmentation in Whole-Body MRI},
author = {Joris Wuts and Jakub Ceranka and Nicolas Michoux and Frédéric Lecouvet and Jef Vandemeulebroucke},
journal= {arXiv preprint arXiv:2506.19590},
year = {2025}
}
备注
This preprint is currently under review at *Computers in Biology and Medicine* (Elsevier). This version has not been peer-reviewed