通过序列不变对比学习实现统一的 3D MRI 表示
计算机视觉与模式识别
2025-07-30 v3 医学物理
摘要
自监督深度学习已加速 2D 自然图像分析，但在 3D MRI 中难以迁移，因为数据稀缺且预训练的 2D 主干网络无法捕获体积上下文。我们提出一种基于定量 MRI (qMRI) 的序列不变自监督框架。通过模拟单个 3D qMRI 扫描中的多个 MRI 对比度，并在这些对比度之间强制一致的表示，从而学习基于解剖结构的特征而非序列特定的特征。结果是一个单一的 3D 编码器，可在各种任务和协议中表现出色。在健康脑部分割（IXI）、卒中脑卒中分割（ARC）和 MRI 去噪等实验中，与基线自监督方法相比，尤其在低数据设置下显著提升（最高提升 +8.3% Dice，+4.2 dB PSNR），并且对未见的站点具有良好泛化，支持大规模临床应用。代码和训练好的模型已公开 disponible at https://github.com/liamchalcroft/contrast-squared
引用
@article{arxiv.2501.12057,
title = {Unified 3D MRI Representations via Sequence-Invariant Contrastive Learning},
author = {Liam Chalcroft and Jenny Crinion and Cathy J. Price and John Ashburner},
journal= {arXiv preprint arXiv:2501.12057},
year = {2025}
}