通过强金属支撑相互作用驱动的超小高熵合金纳米颗粒合成，用于选择性氢化

《Journal of Catalysis》：Strong metal support interaction driven synthesis of ultrasmall high entropy alloy nanoparticles for selective hydrogenation

本研究开发了首个专门针对心脏磁共振成像（CMR）的视觉基础模型（ViT-S/8），通过自监督预训练在3600万张CMR图像上训练，并微调用于9项临床任务（分类、分割、病灶检测等）。结果表明，该模型在跨中心测试和少样本场景下表现优于基于自然图像预训练的ResNet50模型，平均准确率提升6.8%，且在疾病检测等复杂任务中优势显著，验证了领域特定预训练的有效性。

　　心脏磁共振成像（CMR）是一种用于非侵入性评估心脏结构、功能和存活状态的复杂成像技术。CMR研究通常包括多种序列和多样化的图像分析任务，如在电影序列（cine）中对心室和心房进行分割以评估心脏功能，以及在晚期钆增强（LGE）和映射序列中对心肌进行分割以进行组织特征分析。为了提高分析的准确性，需要选择适当的序列，检测关键标志物，并整合来自不同序列的信息。这一过程通常依赖于标准化的AHA分割模型，其可能对进一步的图像采集步骤产生影响。然而，由于图像的多样性、解剖结构的差异以及扫描伪影，这些任务往往复杂且耗时。因此，近年来深度学习（DL）技术在这些任务中取得了显著进展，成为当前最先进的解决方案。

尽管如此，现有的深度学习模型在任务范围、样本数量或对健康受试者的关注方面存在局限。此外，大多数深度学习模型通常独立处理这些任务，未能充分利用相关分析之间的共享信息。这种限制使得模型在面对多样化的临床数据时表现不稳定。因此，研究者们开始探索一种更通用的解决方案，即基于大规模数据集的“基础模型”（Foundation Models, FM），以提升模型的泛化能力和效率。基础模型在自然图像处理领域展现出强大的零样本和少样本学习能力，这使得它们在医学影像分析中也具有广阔的应用前景。

本研究首次提出了一个专门针对心脏磁共振成像的视觉基础模型。该模型在3600万张来自27524名受试者的CMR图像上进行自监督学习（SSL），涵盖了来自两个临床中心和英国生物银行（UK Biobank）的数据。这些数据包括电影序列、LGE序列、T1和T2加权成像、血流成像以及定位扫描等，旨在增强模型对不同图像特征的适应能力。在完成预训练后，该模型被用于9种典型的CMR图像分析任务，包括分类、分割、标志物定位和病理检测，其表现优于传统的监督学习模型。

为了评估模型的性能，研究人员采用了一个基线模型，该模型基于ResNet50架构并使用ImageNet预训练权重。相比之下，CMR专用的ViT-S/8编码器在没有任务特定优化的情况下，在大多数任务中表现出色，尤其是在电影序列分类和分割任务中。例如，在电影序列分类任务中，模型的准确率提升了6.8个百分点，而在分割任务中，模型的性能提升范围在0.1到1.8个百分点之间。此外，该模型在检测任务中也显示出显著的改进，尤其是在LGE图像中，检测准确率提升了3.7到6.6个百分点。在疾病检测任务中，模型的准确率提升了14个百分点，这一成果表明该模型在处理复杂多类别任务时具有较高的潜力。

模型的性能评估涵盖了多个指标，包括Dice系数、分类准确率和标志物定位的绝对欧几里得距离误差。实验结果显示，该模型在大多数任务中表现出更稳定的性能，且其标准差较低。这说明该模型在不同数据集之间具有良好的泛化能力。研究人员还进行了消融研究，分析了不同预训练策略和架构对模型性能的影响。结果显示，视觉Transformer（ViT）在没有预训练的情况下表现较差，尤其是在分类任务中。这表明，ViT对预训练的依赖性较高，而卷积神经网络（如ResNet50）则在自然图像预训练后表现更为稳健。此外，该模型在少量标注数据下的少样本学习能力也得到了验证，显示出其在资源有限的情况下仍然能够保持较高的性能。

尽管模型在多个任务中表现出色，但在某些情况下仍存在局限。例如，在处理基底部切片时，模型的性能受到图像质量、对比度和伪影的影响。此外，一些图像在心脏的边界区域存在分类模糊，导致模型在这些区域的性能下降。这些结果表明，虽然CMR专用基础模型在处理典型任务时具有优势，但在处理复杂或特殊结构时仍需进一步优化。

本研究的结论表明，针对医学影像的视觉基础模型能够显著提高准确性和鲁棒性，尤其是在资源有限的情况下。自监督预训练提供了一种高效、统一的框架，能够加速基于深度学习的图像分析解决方案的发展。然而，模型的性能仍然受到预训练数据质量和任务复杂性的限制，因此未来的研究可以探索更全面的预训练策略，包括3D数据处理和视频编码器的应用，以进一步提升模型的性能和泛化能力。此外，研究者们还强调，尽管模型的性能已经得到验证，但其在处理复杂病理检测任务时仍需更多的临床数据支持，以提高其在实际应用中的可靠性。