联合脑龄预测和图像修补预训练脑 MRI 表征

医学图像分析的一个关键挑战是缺乏针对特定人群和疾病的大型注释数据集。由于深度学习模型严重依赖标记数据，因此需要有效的迁移学习策略来减少对手动注释的依赖。通过从大规模未标记的医学成像数据集中学习可转移的特征表示，自监督学习已成为开发基础模型的一种有前途的方法。在这项研究中，我们将体素级脑年龄预测作为特定领域的自监督预训练任务进行研究，并将其与图像修复（一种广泛使用的非特定领域替代方案）进行比较。我们进一步提出了一个多任务自监督预训练框架，该框架联合优化两个目标以学习互补的神经影像表示。预训练模型在三个下游磁共振图像分割任务上进行评估：多发性硬化症病变分割、缺血性中风病变分割和皮质脑结构分割。总体而言，所提出的多任务预训练框架在大多数实验设置中始终优于单任务预训练模型和从头开始的训练，证明了将特定领域和一般自监督学习预训练任务相结合以开发可推广的神经影像基础模型的好处。\ 代码可用性：本研究中使用的源代码可在以下位置公开获取： https://github.com/TasneemN/Combining-General-and-Domain-Specific-Pretext-Tasks-for-Brain-MR-Image-Segmentation/