MRN：利用 2D 视觉基础模型诊断帕金森病——针对有限 3D MR 数据
计算机视觉与模式识别
2025-09-23 v1 人工智能
摘要
帕金森病的自动诊断因其患病率和针对性治疗的重要性而迫切需要。当前临床实践通常依赖于 QSM 和 NM-MRI 图像中的诊断生物标志物。然而，缺乏大量高质量数据集使得从头训练诊断模型容易产生过拟合。适配预训练的 3D 医疗模型也具有挑战，因为医学成像的多样性导致预训练数据和微调数据的体素间距和模态之间存在不匹配。在本文中，我们通过利用 2D 视觉基础模型（VFM）来解决这些挑战。具体而言，我们从 NM 和 QSM 图像中裁剪出多个关键 ROI，分别通过独立的分支处理将每个 ROI 压缩为一个 token，然后将这些 token 组合成统一的患者表示用于分类。在每个分支内部，我们使用 2D VFM 对 3D ROI 体积的轴向切片进行编码，并融合以生成 ROI token，辅以分割头来引导特征提取聚焦于特定脑核。此外，我们引入多 ROI 监督对比学习，通过拉近同一类别患者的表征而推远不同类别患者的表征来提高诊断性能。我们的方法在 MICCAI 2025 PDCADxFoundation 挑战中获得了第一名，以 86.0% 的准确率在仅 300 例标记的 QSM 和 NM-MRI 扫描的数据集上训练，超过第二名方法 5.5%。这些结果凸显了 2D VFM 用于 3D MR 图像临床分析的潜力。
引用
@article{arxiv.2509.17566,
title = {MRN: Harnessing 2D Vision Foundation Models for Diagnosing Parkinson's Disease with Limited 3D MR Data},
author = {Ding Shaodong and Liu Ziyang and Zhou Yijun and Liu Tao},
journal= {arXiv preprint arXiv:2509.17566},
year = {2025}
}
备注
First-place solution of the classification track for MICCAI'2025 PDCADxFoundation Challenge