揭示常规放射学中的不可见:通过物理引导的3D自监督学习从CBCT中跨模态检测MRI验证的软组织病变
Uncovering the Invisible in Routine Radiology: Cross-Modal Detection of MRI-Verified Soft-Tissue Pathologies from CBCT via Physics-Guided 3D Self-Supervised Learning
预印本 · 尚未经过同行评审
物理引导3D自监督学习从常规CBCT中提取出MRI验证的滑膜积液信号,ROC AUC = 0.793。
常规X射线检查手段(如锥形束计算机断层扫描,CBCT)针对高对比度的矿化组织进行了优化,导致软组织异常被淹没在光子噪声之下、低于人类视觉感知阈值。因此,检测非钙化病变需要借助二次磁共振成像(MRI)。我们证明,软组织病变的亚视觉影像学特征在常规CBCT扫描中得到了物理层面的保留,并且即使在配对数据极度稀缺的情况下,也能通过一种靶向的、物理引导的深度学习流程将其提取出来,用于机会性筛查。以颞下颌关节(TMJ)作为模型系统(N = 212对配对的CBCT-MRI关节),我们通过一个两阶段框架解决了高容量3D网络的严重过拟合问题。首先,我们采用一个冻结的全网格3D掩码自编码器(BertsWin),通过GradientConductor(GCond)优化器和一种解剖学感知目标函数(PhysLoss)在6,550个无标注CBCT体数据上进行预训练,该目标函数将梯度流重定向至[-300, 300] HU的软组织窗。其次,髁突顶点的自动定位驱动一种确定性的3D裁剪,消除了81%的背景骨性方差。通过患者隔离的3x10折分层交叉验证方案进行评估,一个在统计上稳健的、针对MRI证实的滑膜积液的亚视觉信号(ROC AUC = 0.793)仅从采用PhysLoss和GCond机制预训练的表征中出现。关键在于,只有该设置能够捕捉到真实的三维解剖手性(p < 0.001)以及患者内高结构一致性(0.791),而非患者间噪声;相反,采用标准L2损失或未掩码方差分解(MVC)预训练的相同架构则退化为随机猜测。这些发现确立了一种可推广的范式,可将常规、低对比度的影像学扫描重新用作隐匿性软组织疾病的机会性筛查工具。
中文由 AI 翻译,仅供参考,以原文为准。
来源:arXiv · Image and Video Processing · arxiv.org