MuellerPT：面向Mueller偏振测量中密集学习的分解驱动预训练
计算机视觉与模式识别
2026-05-25 v1
摘要
Mueller矩阵成像为生物医学组织分析提供了丰富且具有物理意义的对比度，但监督学习受到密集标注稀缺以及跨样本和采集设置存在强烈域偏移的阻碍。我们引入了MuellerPT，一种物理引导的预训练方法，通过从逐像素的4x4 Mueller矩阵预测Lu-Chipman分解图来学习可迁移的密集表示。为了扩展预训练，我们收集了一个新的大型多光谱动物偏振器官数据集（MAP-Org）。预训练的编码器配备了分割头，用于羔羊脑中的灰质与白质分割。分类头用于结直肠癌与非癌症分类。分割和分类均在少样本学习场景下进行评估。在分割中，与无预训练模型相比，MuellerPT提高了标签效率和跨样本迁移能力，在使用5%训练数据时，与从零开始训练的基线相比实现了超过20%的绝对DICE增益。在分类中，MuellerPT同样增强了标签效率，在使用1%训练数据时，与基线相比将总体准确率提高了8%。我们通过对离体人类食管样本上预测的Lu-Chipman图进行定性评估，证明了MuellerPT对域偏移的鲁棒性。这些结果表明，预测Lu-Chipman分解是用于从Mueller偏振测量中进行鲁棒生物医学推断的有效且实用的前置任务，并可为未来关于标签高效的Mueller成像工作铺平道路。
引用
@article{arxiv.2605.23840,
title = {MuellerPT: Decomposition Driven Pretraining for Dense Learning in Mueller Polarimetry},
author = {Adam Tlemsani and Yingdian Li and Maxime Giot and Naim Slim and Christopher J. Peters and Abhijeet Ghosh and Daniel S. Elson},
journal= {arXiv preprint arXiv:2605.23840},
year = {2026}
}
备注
Accepted to 29th International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI 2026)