Segmentación de imágenes médicas mediante enseñanza mutua de doble decodificador con un marco de enseñanza medio

Área de la Ciencia:

• Análisis de imágenes médicas
• Aprendizaje profundo
• Visión por ordenador

Sus antecedentes:

• La segmentación precisa de imágenes médicas es crucial para las aplicaciones clínicas.
• La anotación manual a nivel de píxeles de las imágenes médicas requiere mucho tiempo y trabajo.
• Los modelos de aprendizaje profundo requieren grandes conjuntos de datos anotados para un rendimiento óptimo.

Objetivo del estudio:

• Desarrollar un nuevo método de segmentación semi-supervisado para reducir el esfuerzo de anotación manual.
• Mejorar la estabilidad y la consistencia de los modelos de aprendizaje profundo en las tareas de segmentación.
• Para lograr un rendimiento de segmentación prometedor con imágenes etiquetadas limitadas y abundantes no etiquetadas.

Principales métodos:

• Se introdujo la enseñanza mutua por decodificación dual (DDMT), un método de segmentación semisupervisado.
• Se ha incorporado una media móvil exponencial suavizada (sEMA) para mejorar la estabilidad del modelo.
• Restricción de consistencia de forma integrada (SCC) para el aprendizaje de forma consistente en todos los decodificadores.

Principales resultados:

• DDMT demostró un rendimiento de segmentación prometedor con datos etiquetados limitados.
• El método consistentemente superó a los métodos de aprendizaje semisupervisado de última generación.
• Los experimentos en la aurícula izquierda, el páncreas y los conjuntos de datos del disco óptico validaron la eficacia de la DDMT.

Conclusiones:

• DDMT ofrece una solución eficaz para reducir la anotación manual en la segmentación de imágenes médicas.
• El método propuesto mejora la estabilidad del modelo y la consistencia de la forma.
• La DDMT muestra un potencial significativo para aplicaciones clínicas que requieren una segmentación de imágenes precisa.