BAC-JEPA：通过合成乳腺 X 线摄影引导监督进行标签高效的乳腺动脉钙化分割

筛查乳房 X 光检查中的乳腺动脉钙化 (BAC) 是一种新兴的心血管风险生物标志物，但定量使用需要可重复的分割，而且专家像素级标签成本高昂。我们提出了 BAC-JEPA，这是一种标签高效的分割框架，经过训练将程序生成的动脉钙化插入具有精确掩模的真实乳房 X 线摄影背景中。候选背景是从预测 BAC 反应较低的模型筛选乳房 X 光照片中选择的；该发生器对动脉结构、疾病负担、放射学外观和硬阴性干扰物（包括非动脉钙化和金属物体）进行采样。合成掩模与乳房 X 线摄影自监督 Vision Transformer 编码器和高分辨率卷积解码器配对，以生成全分辨率分割图。该研究使用来自 34,956 名患者的 75,472 项乳房 X 光检查研究进行背景选择和表征学习，对来自 10,000 个背景的合成图像进行训练，选择具有 1,000 个发育背景的检查点，并评估所有 1,000 个人类标记的 BacSeg 合成 2D 乳房 X 光照片的转移。在保留的综合验证数据上，较大的骨干网络达到了 IoU 0.5325 和 Dice 0.6357。在 BacSeg 上，分割概率图的图像级分类达到了 AUROC 0.8719，较小的主干网达到了 0.8547。在 RTX 5090 GPU 上，四视图推理需要 110.68--213.63 毫秒，在多核工作站上，严格预设的合成图像生成平均每张图像需要 2.7071 秒。这些结果表明，BAC 特定的综合监督可以在没有人类像素级训练掩模的情况下产生有用的图像级传输，而专家审查的真实乳房 X 线照片分割对于临床验证和校准仍然是必要的。