心血管磁共振赛赛图像的自监督预训练分割
计算机视觉与模式识别
2024-09-27 v1 机器学习
摘要
自监督预训练 (SSP) 在从大规模无标签数据中学习方面已显示出前景，因此可能对自动化心血管磁共振 (CMR) 短轴赛赛分割有益。然而，关于SSP对分割益处的报告不一致，使其难以应用于CMR。因此，本研究旨在评估SSP方法用于CMR赛赛分割。为此，使用296名受试者的短轴赛赛堆栈 (90618 2D切片) 进行无标签预训练，采用四种SSP方法：SimCLR、位置对比学习、DINO和掩码图像建模 (MIM)。使用不同数量的受试者子集进行监督微调，以训练每个SSP方法的2D模型，以及从头训练2D基线模型。用3D Dice相似系数 (DSC) 在140名受试者的测试数据集中对微调模型与基线进行比较。SSP方法在最大监督微调子集与基线无性能提升 (DSC = 0.89)。当仅有10名受试者 (231 2D切片) 可用于监督训练时，采用MIM的SSP (DSC = 0.86) 优于从头训练 (DSC = 0.82)。本研究发现，当标注训练数据稀缺时，SSP对CMR赛赛分割具有价值，但在大量标注数据可用时不会帮助最先进的深度学习方法。此外，SSP方法的选择也很重要。代码已公开available at: https://github.com/q-cardIA/ssp-cmr-cine-segmentation
引用
@article{arxiv.2409.18100,
title = {Self-supervised Pretraining for Cardiovascular Magnetic Resonance Cine Segmentation},
author = {Rob A. J. de Mooij and Josien P. W. Pluim and Cian M. Scannell},
journal= {arXiv preprint arXiv:2409.18100},
year = {2024}
}
备注
Accepted to Data Engineering in Medical Imaging (DEMI) Workshop at MICCAI 2024