利用基础模型作为预临床4D心脏CT分割的伪标签生成器

心脏图像分割是许多心脏图像分析和建模任务（如运动跟踪或心脏力学仿真）中的重要步骤。虽然深度学习已大幅推动临床环境下的分割，但针对前临床成像（尤其是猪科模型）的工作有限。猪科模型因其解剖和生理与人类高度相似，常被用于研究。然而，物种间的差异导致了从人类数据直接迁移到猪数据的域迁移问题。最近，针对大规模人类数据集训练的基础模型在医学图像分割方面显示出前景；但其针对猪科数据的适用性尚未得到广泛探索。本工作研究是否可以利用基础模型为猪科心脏CT生成足够准确的伪标签，并提出一种简单的自训练方法以迭代细化这些标签。该方法无需手动标注猪科数据，仅依赖于迭代更新以提高分割质量。我们证明，这一自训练过程不仅能提高分割精度，还能平滑连续帧之间的时间不一致性。尽管结果令人鼓舞，但仍有提升空间，例如通过引入更复杂的自训练策略和探索更多基础模型及其他心脏成像技术。