DINO-3DRA：利用 2D 基础模型语义进行 3D 脑动脉瘤分割

3D 旋转血管造影 (3DRA) 中动脉瘤的准确分割受到极端类别不平衡、血管形态相似性以及缺乏大规模 3D 预训练的阻碍。 2D 视觉基础模型对来自 17 亿张图像的密集结构先验进行编码，但幼稚的切片传输会破坏解剖连续性并破坏优化的稳定性。我们提出了 DINO-3DRA，这是一种双路径框架，通过 Room-Lite 空间混合和校准残差融合将冻结的 DINOv3 特征注入 3D U-Net 主干，从而实现有效的跨维度语义传输。在多中心 3DRA 数据上，DINO-3DRA 仅用 572 万个可训练参数就实现了最先进的动脉瘤分割（Dice：0.758；HD95：2.75 mm；比 nnU-Net + 13%）。消融研究证实，收益来自结构化的跨维度转移，而不是单独的损失设计，桥接的基础特征改善了动脉瘤和载瘤血管之间的解剖连续性。如果 CADA 和 SHINY-ICARUS 上没有 微调，DINO-3DRA 消除了在基线架构中观察到的所有灾难性故障案例，展示了跨异构成像协议的强大泛化能力。