MAE-UNETR++：用于三维肺结节分割的掩码自动编码器预训练

体素级体积医学影像标注成本高昂且难以扩展，这使得高容量三维分割模型在实际训练中面临挑战。来自大型公共数据集的迁移学习（TL）是常见的补救方法，但当源域与目标解剖结构及采集特征存在差异时，其性能可能欠佳，而肺结节任务中往往正是如此。在本研究中，我们提出了一种基于掩码自编码器（MAE）预训练的方法，以突破由领域差异带来的数据效率瓶颈，并针对面向三维肺结节分割的领域特定自监督学习（SSL）开展了一项聚焦的实证研究。 我们评估了两种实验设置：第一，在具有代表性的基线模型上比较掩码自编码器（MAE）预训练与随机初始化；第二，在UNETR++上比较MAE与Decathlon迁移学习（TL），同时检验基于MAE的预训练是否也能使卷积神经网络基线模型（V-Net）受益。在目标域CT体数据上进行MAE预训练可获得0.307的Dice相似系数（DSC），优于随机初始化（0.136）和Decathlon权重（0.257）。此外，在低数据情境下（即标注数据不足时），MAE提升了V-Net的稳定性，使DSC从0.010提高到0.071。总体而言，这些结果表明，当标注数据有限时，基于MAE的预训练能够为体积分割提供一种实用且稳健的初始化策略。

本网站正在使用一项安全服务来保护自身免受网络攻击。您刚刚执行的操作触发了该安全防护机制。可能导致此拦截的行为包括提交特定的单词或短语、SQL 命令或格式错误的数据。

您可以向网站所有者发送电子邮件，告知您遭到了拦截。请在邮件中说明该页面出现时您正在进行的操作，并附上本页底部显示的 Cloudflare Ray ID。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.17.733000v1?rss=1

🏷️ 肺结节分割 三维医学影像 掩码自编码器 自监督学习 迁移学习 CT影像