KneePreM：以无标注膝MRI预训练提高标注效率

背景：大量未标记的膝关节 MRI 扫描可在各个存储库中获得，但仍然没有得到充分利用。我们开发了 KneePreM，这是一种针对膝盖的 3D 自监督模型，并评估了分类和分割的传输和标签效率。方法：对来自 4,791 名参与者的 19,011 个未标记骨关节炎倡议 (OAI) MRI 系列的 3D U-Net 掩码自动编码器进行预训练。下游微调使用完整和简化的训练集进行 fastMRI+ 双标签分类（1,172 个检查）、关节镜部分半月板切除术 (APM) 八目标分类（1,716 个检查）、SKM-TEA 分割（155 个检查）和 APM 分割（25 个检查）。基线是随机初始化和 SuPreM。部署工作流程是通过模型上下文协议接口实现的。评估指标包括平衡准确率、F1 分数、ROC AUC、PR AUC 和 Dice 分数。统计分析使用bootstrap置信区间和配对bootstrap检验进行分类，使用 Wilcoxon 符号秩测试进行分割。结果：KneePreM 实现了比 fastMRI+ 和 APM 的基线更高的全数据宏观 ROC AUC（所有 p < .001）。对于 fastMRI+ 分类，KneePreM 使用 50% 的训练数据实现了 0.722 的 ROC AUC，超过了两个完整数据基线。在 APM 分类中，KneePreM 在 70% 的数据下达到了 0.740 的 ROC AUC，与全数据随机基线匹配，表现优于 SuPreM。对于 SKM-TEA 分割，其 70% 数据 Dice 为 0.838，超过了全数据随机基线 (0.835) 和两个相同预算的比较器。在 APM 分割中，其 75% 数据 Dice 为 0.746，超过了全数据随机基线 (0.731) 和两个相同预算的比较器。结论：KneePreM 提高了膝关节 MRI 分类和分割任务的传输性能和标记效率，特别是当标记的训练数据有限时。