一种用于口腔潜在恶性病变中病变分割的自监督预训练方法

《BMC Oral Health》：A self-supervised pre-training method for lesion segmentation in oral potentially malignant disorders

　　

摘要

目标

针对口腔潜在恶性病变（OPMD）图像分割的监督训练需要大量的标注数据，而这些数据在医疗专家稀缺的偏远地区尤为匮乏。本研究旨在提出一种自主预训练方法，从未标注的图像中自动提取特征，从而提升OPMD病变分割的性能。

材料与方法

本研究使用了来自浙江大学附属口腔医院（ZJUSS）的3,417张OPMD照片作为内部数据集，并结合来自武汉儿童医院（WCHS）和四川师范大学（CS-SJTU）的两个独立外部数据集进行验证。

为防止患者级数据泄露，内部标注数据集采用了五组独立的患者级训练/验证/测试划分。我们提出了一种多尺度可分离注意力掩码图像模型（MS-SAMIM）以及一种自主掩码生成方法。为了增强模型的鲁棒性，我们还加入了教师-学生一致性约束和对比学习约束。

结果

我们的模型在OPMD病变分割任务中取得了84.35%的Dice值、74.65%的IoU值、81.84%的敏感度和88.02%的精确度，超越了多种先进的完全监督学习方法及其他自监督学习方法。在外部数据集的验证中，该模型在数据集#1上的表现分别为82.15%的Dice值、70.09%的IoU值、77.96%的敏感度和87.84%的精确度；在数据集#2上的表现则为81.18%的Dice值、69.71%的IoU值、78.58%的敏感度和84.39%的精确度。

结论

所提出的自主预训练策略可以减少对像素级标注的依赖，并提高从临床照片中进行OPMD病变分割的准确性。在实际临床应用之前，还需要进行进一步的前瞻性验证。