FDIF：用于 3D 医学图像分割的具有隐式函数的公式驱动监督学习

基于深度学习的3D医学图像分割方法依赖于大规模标记数据集，但由于隐私限制和专家注释的高昂成本，获取此类数据很困难。公式驱动的监督学习 (FDSL) 通过直接从数学公式生成训练数据和标签，提供了一种有吸引力的替代方案。然而，现有的基于体素的方法在几何表现力方面受到限制，并且无法合成真实的纹理。我们引入了带有隐式函数 (FDIF) 的公式驱动监督学习，该框架无需使用任何真实数据和医学专家注释即可实现可扩展的 预训练。 FDIF 引入了基于有符号距离函数 (SDF) 的隐式函数表示，可以对复杂几何形状进行紧凑建模，同时利用 SDF 的表面表示来支持几何和强度纹理的可控合成。在三个医学图像分割基准（AMOS、ACDC 和 KiTS）和三种架构（SwinUNETR、nnUNet ResEnc-L 和 nnUNet Primus-M）中，FDIF 不断改进公式驱动的方法，并实现与在大规模真实数据集上预训练的自监督方法相当的性能。我们进一步表明 FDIF 预训练 也有利于 3D 分类任务，强调基于隐函数的公式监督作为无数据表示学习的有前景的范例。代码可在 https://github.com/yamanoko/FDIF 获取。