基于密集-Unet的自监督掩码自编码器用于有限 CT 数据下的冠状动脉钙化去除
计算机视觉与模式识别
2026-01-07 v1 人工智能
摘要
冠状动脉钙化会在 CT 血管造影（CTA）中创建花瓣性噪声，严重影响母腔狭窮诊断。虽然深度卷积神经网络（DCNN）如 Dense-Unet 在通过填补去除这些噪声方面显示出前景，但它们通常需要大量标注数据，而在医学领域这类数据稀缺。灵感来自最近在 3D 点云上应用掩码自编码器（MAE）的进展，我们提出了一种 novel 的自监督学习框架 Dense-MAE，用于体积医学数据。我们引入一种预训练策略，随机掩码血管腔的 3D 块，并训练 Dense-Unet 重建缺失的几何结构。这迫使编码器学习血管拓扑的高级潜在特征，而无需人工标注。临床 CTA 数据集的实验结果表明，用我们的 MAE 基方法初始化的钙化去除网络权重，显著提高了填obre accuracy 和狭窮估计，尤其在 few-shot 场景下表现更佳。
引用
@article{arxiv.2601.02392,
title = {Self-Supervised Masked Autoencoders with Dense-Unet for Coronary Calcium Removal in limited CT Data},
author = {Mo Chen},
journal= {arXiv preprint arXiv:2601.02392},
year = {2026}
}
备注
6 pages, in Chinese language, 2 figures