基于基础模型的多平面MRI子宫肌瘤重建与分析

子宫肌瘤是最常见的妇科疾病之一，准确的3D重建是临床诊断、手术规划和治疗评估的前提。常规临床方案通常涉及一组正交的矢状面、冠状面和横断面MRI扫描来评估形态。这些图像通常具有各向异性的体素和稀疏的3D覆盖，现有评估方案通常仅限于基于平面分割的不同2D视图。此外，在单个中心数据上训练的模型往往无法泛化到更广泛的数据集。为定量子宫肌瘤分析提供准确且一致的3D重建，尤其是在无监督域适应（UDA）下，是一项未满足的临床需求。本文提出了用于自动无标注多平面子宫肌瘤MRI分割的基础模型引导自适应分割（FGAS）框架。FGAS利用解剖学先验进行伪标签优化，并集成多视图一致性约束和连通分量控制，以减少平面依赖性并抑制假阳性。在临床数据集上的大量实验表明，FGAS具有优越的性能，将Dice相似系数从基线模型的42.8%提高到70.6%，优于现有的最先进的UDA和多平面方法。这些结果表明，FGAS能够为无标注多视图和跨域图像分析实现鲁棒、高精度的自动化重建。