通过跨序列迁移学习降低髋骨软骨MRI分割标注负担
计算机视觉与模式识别
2026-05-12 v1
摘要
目的：开发并评估跨序列迁移学习用于自动髋骨软骨分割，测试双涡旋稳态(DESS)与侧位原位质量加权3D快速旋涡(Cube)序列之间的双向迁移。材料与方法：我们对修改版2D U-Net在507幅DESS图像上进行优化（来自骨关节炎公开数据集OAI）。随后在OAI 44幅DESS图像和意大利博洛尼亚奥斯泰科骨科研究所（Istituto Ortopedico Rizzoli）获取的44幅Cube图像上建立了基于主体水平的交叉验证基线。每个子集包含22例无病变和22例有病变的受试者。最后，我们通过在目标序列上对预训练模型进行微调并逐步增加训练集大小来进行跨序列迁移学习，研究收敛情况，同时保持验证和测试集固定。分割结果以Dice相似系数(DSC)和平均表面距离(ASD)评估。病变效应采用双侧米氏-韦尔氏U检验并施以Bonferroni校正。结果：同序列训练在DESS上的准确率高于Cube（DSC, vs ; ）。Cube到DESS的迁移匹配DESS性能（DSC, vs ），在9名训练受试者处达到性能平台期。DESS到Cube的迁移导致较低的综合DSC值（ vs ），在24名训练受试者处达到平台期。病变对DESS无显著影响（），但降低Cube的准确率（DSC, vs ; ）。结论：跨序列迁移学习可显著降低髋骨软骨分割的目标序列标注需求，但性能受迁移方向和序列影响，且病变对分割的影响在不同MRI序列中可能各异。
引用
@article{arxiv.2605.09067,
title = {Reducing Annotation Burden for Femoral Cartilage Segmentation in Knee MRI via Cross-Sequence Transfer Learning},
author = {Francesco Chiumento and Gianluigi Crimi and Elisa Moretta and Rocco Milieri and Alberto Bazzocchi and Giulio Vara and Giacomo Dal Fabbro and Stefano Zaffagnini and Fulvia Taddei and Serena Bonaretti},
journal= {arXiv preprint arXiv:2605.09067},
year = {2026}
}