Video Experimental Relacionado
Updated: Sep 10, 2025
Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
Mejorar la discriminación de características con pseudoetiquetas para el modelo de base en la segmentación de
Ge Jin1, Qian Zhang2, Yong Cheng2
1Jiangsu Open University, School of Information Engineering, No. 399 Jiangdong North Road, Nanjing, 210000, Jiangsu, China; Key Laboratory of Specialty Fiber Optical Access Networks, Joint International Research Laboratory of Specialty Fiber Optics and Advanced Communication, Shanghai Institute for Advanced Communication and Data Science, School of Communication and Information Engineering, Shanghai University, No. 99 Shangda Road, Shanghai, 200444, Shanghai, China.
Este estudio introduce un nuevo marco (PESF) para mejorar la segmentación de imágenes médicas en 3D mediante el uso de pseudoetiquetas para ampliar los conjuntos de datos y el uso de filtrado de confianza y aprendizaje curricular para mejorar la precisión, especialmente para estructuras pequeñas.
Área de la Ciencia:
- Análisis de imágenes médicas
- Inteligencia artificial en el cuidado de la salud
- Visión por computadora
Sus antecedentes:
- La segmentación de imágenes médicas en 3D requiere grandes conjuntos de datos anotados, que son difíciles de crear y que requieren mucho tiempo.
- El pseudoetiquetado puede expandir los conjuntos de datos, pero puede introducir etiquetas ruidosas, lo que afecta negativamente a la segmentación de estructuras más pequeñas.
- Los métodos existentes luchan con la escala y la complejidad de la anotación de imágenes médicas en 3D.
Objetivo del estudio:
- Desarrollar un marco de segmentación robusto enriquecido con pseudoetiquetas (PESF) para imágenes médicas en 3D.
- Abordar el desafío de las pseudoetiquetas ruidosas y mejorar el rendimiento de segmentación para diversas estructuras anatómicas.
- Mejorar la capacidad de generalización de los modelos de segmentación utilizando el aprendizaje curricular y el filtrado de confianza.
Principales métodos:
- Implementó un enfoque de pseudoetiquetado utilizando un modelo de base previamente entrenado para generar etiquetas para nuevas categorías de órganos.
- Desarrolló un mecanismo de filtrado basado en la confianza para eliminar las pseudoetiquetas de baja calidad, utilizando módulos de predicción de características y confianza.
- Aprendizaje curricular integrado con perturbaciones aleatorias gaussianas para la introducción progresiva y sistemática de la muestra de capacitación.
Principales resultados:
- El marco de PESF propuesto logró una mejora del 6,8% en el coeficiente promedio de similitud de dados (DSC) con respecto a la línea de base SAM-Med3D en múltiples conjuntos de datos (Amos, FLARE22, WORD, BTCV).
- Se observaron ganancias significativas de rendimiento en la segmentación de estructuras anatómicas difíciles como el páncreas y el esófago.
- El análisis teórico confirmó que las clases pseudoetiquetadas mejoran la discriminación de características en el espacio de incrustación.
Conclusiones:
- PESF mitiga efectivamente las pseudoetiquetas ruidosas y mejora la precisión de la segmentación de imágenes médicas en 3D.
- El marco demuestra una generalización superior en órganos de diferentes tamaños y formas.
- El PESF ofrece una solución prometedora para el desarrollo de modelos de base en la segmentación de imágenes médicas con datos anotados limitados.
