面向CT脑组织分割的双任务自监督学习方法研究OA

目的提出一种双任务自监督学习方法,该方法利用未经标注的医学影像数据提取通用视觉表征,以提升深度学习模型在颅脑CT扫描影像中(包括脑出血、鼻咽癌及常规检查影像)对脑组织的精准分割能力。方法结合图像补全与分类作为辅助手段,在70%图像信息被遮蔽的条件下,通过任务间轻量级的特征融合机制来优化预训练的输出表示。为评估该方法的有效性,研究采用平均Dice系数(mDice)和Hausdorff Distance 95%(HD95)作为评价指标,在经过本文自监督方法的预训练过程后,评估下游脑组织分割模型的性能表现。结果实验结果表明,本文方法有效提升了不同深度学习模型在分割任务中的性能。在单独监督学习环境下,ConvNeXt-V2-Base的mDice结果值最高,为0.8812,而本文分割方法在HD95指标方面表现最优,为7.95。与MAE方法相比,引入本文的自监督预训练策略后,本文分割方法表现出同比最佳的mDice(0.9589)和HD95(7.10)结果,且DenseNet121_Backbone的分割性能得到了显著提升,mDice指标上升至0.9512。结论本文的自监督预训练方法和编码器结构在CT医学影像数据中具备一定的表征学习优势,能够有效地提升下游脑组织分割任务的模型性能。