结合掩蔽图像建模的稀疏解剖提示半监督学习用于 CBCT 牙齿分割
计算机视觉与模式识别
2024-12-30 v2
摘要
在锥形束计算机断层扫描 (CBCT) 牙科图像中进行准确的牙齿识别与分割，可显著提升牙医进行人工诊断的效率与精度。然而，现有的分割方法主要基于大数据量训练开发，其标注极其耗时。同时，CBCT 牙科图像中各类牙齿位置紧密相邻，加之类间差异细微，导致在用有限数据训练模型时出现边界不清的挑战。为应对这些挑战，本研究旨在提出一种面向任务的掩蔽自编码器范式，以有效利用大量无标签数据，在有限标注数据下实现准确的牙齿分割。具体而言，我们首先构建一个掩蔽自编码器的自监督预训练框架，以高效利用无标签数据增强网络性能。随后，我们引入一种基于图注意力的稀疏掩蔽提示机制，以融入牙齿的边界信息，辅助网络学习牙齿的解剖结构特征。据我们所知，我们是首次将掩蔽预训练范式整合到 CBCT 牙齿分割任务中。大量实验证明了我们所提方法的可行性以及边界提示机制的潜力。
引用
@article{arxiv.2402.04587,
title = {Sparse Anatomical Prompt Semi-Supervised Learning with Masked Image Modeling for CBCT Tooth Segmentation},
author = {Pengyu Dai and Yafei Ou and Yuqiao Yang and Yang Liu and Yue Zhao},
journal= {arXiv preprint arXiv:2402.04587},
year = {2024}
}
备注
accepted by ISBI 2024