血管FM：通用三维血管分割的基础模型

三维血管分割是医学图像分析中一项关键而又极具挑战性的任务。这是由于不同成像模式在伪影、血管模式和尺度、信噪比以及背景组织方面存在显著差异。这些差异，以及不同成像协议导致的领域差异，限制了现有基于监督学习的方法的泛化能力，需要为每个数据集分别进行繁琐的体素级标注。虽然基础模型有望缓解这一限制，但它们通常无法推广到血管分割任务，这带来了一个独特而复杂的问题。在本研究中，我们提出了vesselFM，这是一个专为三维血管分割这一广泛任务设计的基础模型。与之前的模型不同，vesselFM可以毫不费力地推广到未知领域。为了实现零样本泛化，我们在三个异构数据源上训练vesselFM：一个大型、精选的带标注数据集、由领域随机化方案生成的数据，以及从基于流匹配的生成模型中采样的数据。大量评估表明，vesselFM 在零次、一次和几次场景中，在四种（前）临床相关成像模式中的表现优于最先进的医学图像分割基础模型，因此为 3D 血管分割提供了通用解决方案。