Alapfogalmak
提出一種新穎的多任務預訓練框架,利用腦部解剖和形態特徵作為先導任務,並結合自監督學習任務,以提高3D Swin Transformer在腦部MRI分析的效能。
Kivonat
本文提出了一種新穎的多任務預訓練框架,旨在提高3D Swin Transformer在腦部MRI分析的效能。該框架包括以下幾個關鍵部分:
-
利用腦部解剖和形態特徵作為先導任務,以幫助模型學習與腦部相關的重要特徵。具體包括:
- 腦部分割預測:預測輸入腦部影像的解剖分區。
- 腦部形態預測:預測腦部厚度和曲率等形態特徵。
- 放射組學紋理預測:預測白質、灰質和腦脊液區域的放射組學紋理特徵。
-
設計適用於3D醫學影像的自監督學習任務,包括:
- 圖像旋轉預測:預測輸入圖像的旋轉角度。
- 圖像塊位置預測:預測圖像局部塊的位置。
- 遮罩圖像建模:預測被遮罩的圖像區域。
-
將上述先導任務和自監督任務融合在一個多任務預訓練框架中,並採用對比學習的方式進行聯合優化。
實驗結果表明,該預訓練方法在阿茲海默病分類、帕金森病分類和年齡預測等下游任務上均優於現有的監督和自監督方法。此外,通過消融實驗,我們驗證了各個預訓練任務的有效性。總的來說,本文提出的多任務預訓練框架能夠有效地捕捉腦部MRI的結構特徵,為醫學影像分析提供了一種新的解決方案。
Statisztikák
腦部MRI影像的解剖分區數量達到120個。
腦部形態特徵包括皮質厚度和曲率。
放射組學紋理特徵包括灰度共生矩陣(GLCM)和灰度尺度區域矩陣(GLSZM)。
本文使用了來自13,687個樣本的大規模腦部MRI數據集進行預訓練。
Idézetek
"我們提出了一種新穎的多任務預訓練框架,利用腦部解剖和形態特徵作為先導任務,並結合自監督學習任務,以提高3D Swin Transformer在腦部MRI分析的效能。"
"實驗結果表明,該預訓練方法在阿茲海默病分類、帕金森病分類和年齡預測等下游任務上均優於現有的監督和自監督方法。"