Using Foundation Models as Pseudo-Label Generators for Pre-Clinical 4D Cardiac CT Segmentation

要約

心臓画像のセグメンテーションは、多くの心臓画像分析と、心臓力学のモーション追跡やシミュレーションなどのモデリングタスクにおける重要なステップです。
ディープラーニングは臨床環境で非常に高度なセグメンテーションを行っていますが、特にブタモデルでは、臨床前のイメージングに関する作業は限られています。
ただし、種間の違いは、人間から豚のデータへの直接モデルの転送を複雑にするドメインシフトを作成します。
最近、大規模な人間のデータセットで訓練された基礎モデルは、堅牢な医療画像セグメンテーションの可能性を示しています。
しかし、ブタのデータへの適用性はほとんど未踏のままです。
この作業では、基礎モデルが豚の心臓CTの十分に正確な擬似ラベルを生成できるかどうかを調査し、これらのラベルを繰り返し改良するための簡単な自己訓練アプローチを提案します。
私たちの方法では、手動で注釈された豚のデータは必要ありません。代わりに、セグメンテーションの品質を向上させるために反復的な更新に依存しています。
この自己訓練プロセスは、セグメンテーションの精度を高めるだけでなく、連続したフレーム全体の時間的矛盾をスムーズにすることを実証します。
私たちの結果は勇気づけられますが、たとえば、より洗練された自己訓練戦略を組み込み、追加の基礎モデルやその他の心臓イメージング技術を調査することにより、改善の余地が残っています。

要約(オリジナル)

Cardiac image segmentation is an important step in many cardiac image analysis and modeling tasks such as motion tracking or simulations of cardiac mechanics. While deep learning has greatly advanced segmentation in clinical settings, there is limited work on pre-clinical imaging, notably in porcine models, which are often used due to their anatomical and physiological similarity to humans. However, differences between species create a domain shift that complicates direct model transfer from human to pig data. Recently, foundation models trained on large human datasets have shown promise for robust medical image segmentation; yet their applicability to porcine data remains largely unexplored. In this work, we investigate whether foundation models can generate sufficiently accurate pseudo-labels for pig cardiac CT and propose a simple self-training approach to iteratively refine these labels. Our method requires no manually annotated pig data, relying instead on iterative updates to improve segmentation quality. We demonstrate that this self-training process not only enhances segmentation accuracy but also smooths out temporal inconsistencies across consecutive frames. Although our results are encouraging, there remains room for improvement, for example by incorporating more sophisticated self-training strategies and by exploring additional foundation models and other cardiac imaging technologies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google