用于超声图像中周围神经分割的掩码自动编码器预训练

《Scientific Reports》：Masked autoencoder pretraining for peripheral nerve segmentation in ultrasound images

　　

摘要

尽管医学图像分割技术最近取得了进展，但深度学习在肌肉骨骼超声领域的应用仍受到标注数据集规模小和临床应用范围有限的制约。现有研究大多集中在正中神经上，而其他具有临床意义的外周神经则研究不足。本研究探讨了使用掩码自编码器（MAE）进行预训练作为一种可扩展的方法，以克服外周神经分割中的数据稀缺问题。研究人员构建了一个包含10,603张超声图像的数据集，涵盖了1,500名患者的正常神经传导研究结果。基于SegFormer的编码器首先使用MAE在未标注的超声图像上进行预训练，随后针对特定神经的分割任务进行微调。为防止数据泄露，预训练过程采用了交叉验证的方式。与随机初始化的基线模型相比，经过MAE预训练的模型在所有神经的分割任务上均表现出一致的性能提升。尤其是在资源较少的神经（如腓肠神经，Dice值从0.144提高到0.399；股外侧皮神经，Dice值从0.280提高到0.550）上，改进尤为显著。而训练数据较为丰富的神经（如正中神经，Dice值从0.890提高到0.897；尺神经，Dice值从0.862提高到0.869）仅显示出轻微的改进。这些结果表明，MAE预训练特别有助于增强超声分割中对小型、难以标注结构的特征提取能力。这凸显了自监督学习在减轻标注工作负担和支持更全面临床AI工具开发方面的潜力。