基于掩码自编码器(MAE)的有限标注下骨折通用分割特征学习

本文创新性地提出结合掩码自编码器(MAE)预训练与跨尺度级联注意力(CSCA)微调的骨折CT分割框架。通过自监督学习从无标注数据中提取解剖学先验知识，配合CSCA模块增强骨折细节保留，在仅20例标注数据下实现胫骨平台骨折(TPF)和髋部骨折(HF)的高精度分割(DSC提升5.93%)，显著优于半监督基线方法，展现优异的跨数据集泛化能力。

　　

Highlight

我们的MAE驱动框架攻克了传统半监督学习(SSL)在骨折分割中的两大痛点：首先，相比FixMatch等方法因伪标签误差导致的性能下降（HF数据集DSC降低9.8%），我们通过掩码体积重建的自监督预训练，学习到骨折不变特征，摆脱了对不可靠监督信号的依赖（TPF数据集DSC提升5.93%）。其次，CSCA模块通过多尺度特征融合与层级注意力机制，有效捕捉骨折碎片形态变异，在HF数据集上实现87.2%的敏感度，较基线提升11.4%。

Methodological superiority over semi-supervised learning

这套方法论在三个维度超越传统SSL：1）特征泛化性：MAE预训练使模型在未见过的骨盆骨折数据上保持83.7% DSC，证明其解剖结构编码能力；2）细节保留：CSCA的跨尺度注意力机制将微小骨折碎片检出率提高23%；3）数据效率：仅需1/9标注量即可达到全监督模型90%性能。

Conclusion

本研究构建的MAE预训练-CSCA微调框架，开创性地将自监督解剖表征与注意力增强分割相结合。在TPF和HF数据集上的实验表明，该方法能以极低标注成本（20例）实现媲美全监督模型的精度，其跨解剖部位泛化能力为临床落地扫清了数据壁垒，特别适合资源受限的医疗场景。