أظهر تعلم الآلة باستخدام المعالجات التحويلية إمكانات عظيمة في التصوير الطبي، لكن قابليتها التطبيقية في العالم الحقيقي لا تزال محدودة بسبب نقص البيانات المعلّمة. في هذه الدراسة، نقترح إطار عمل عملي لنشر المعالجات التحويلية المحوسبة مسبقًا في مهام تصوير الدماغ المتنوعة. من خلال استخدام استراتيجية تدريب مسبقة للمؤثر المموه (MAE) على مجموعة بيانات تصوير الدماغ بالرنين المغناطيسي واسعة النطاق، التي تتكون من أكثر من 31 مليون شريحة، نحصل على تمثيلات كامنة قابلة للنقل تعمّم جيدًا عبر المهام ومجموعات البيانات. بالنسبة للمهام عالية المستوى مثل التصنيف، يحقق مشفر MAE المجمد مع رأس خطي خفيف دقة عالية للغاية في تحديد تسلسل الرنين المغناطيسي مع إشراف محدود. بالنسبة للمهام منخفضة المستوى مثل التقسيم، نقترح MAE-FUnet، وهو هيكل هجين يدمج ميزات CNN متعددة النطاقات مع تمثيلات MAE المدربة مسبقًا. يتفوق هذا النموذج باستمرار على المعايير القوية الأخرى في كل من إزالة الجمجمة والتقسيم التشريحي متعدد الفئات في ظل ظروف البيانات المحدودة. من خلال تقييمات كمية ونوعية شاملة، يظهر إطارنا كفاءة واستقرارًا وقابلية للتوسع، مما يوحي بملاءمته لبيئات سريرية ذات موارد منخفضة وتطبيقات تصوير دماغية أوسع.
درس لي وآخرون (الخميس) هذا السؤال.