医学图像细分网络的注释效率培训,基于困难区域的草图指导
Mingrui Zhuang1, Zhonghua Chen1,2, Yuxin Yang1
1School of Biomedical Engineering, Faculty of Medicine, Dalian University of Technology, Dalian, 116024, China.
概括
本研究介绍了一种有效的方法,用于训练使用最小注释的深度医疗图像细分网络. 将人类监督集中在困难领域,可以显著减少注释时间,同时保持复杂案例的细分精度.
科学领域:
- 医学图像分析 医学图像分析
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 深度医学图像细分需要大量的人类注释数据.
- 现有的半监督或非监督方法在复杂的临床场景中扎,导致异质瘤和模糊边界等具有挑战性的区域的细分不准确.
研究的目的:
- 为深度医学图像细分网络开发一个注释效率高的培训方法.
- 为了减少人类注释的负担,同时提高细分精度在困难的地区.
主要方法:
- 提出了一种方法,在困难领域使用涂指导,以进行注释有效的培训.
- 最初训练了一个细分网络,使用有限的完全注释的数据,然后生成伪标签.
- 利用概率调制的地质变换来将涂转换为伪标签地图.
- 通过考虑地理距离和网络输出概率来生成信心地图,以减轻伪标签错误.
- 代优化伪标签和信任地图与网络更新.
主要成果:
- 在脑瘤MRI和肝瘤CT数据集中显著减少了注释时间.
- 实现了与完全注释的方法相比较的细分精度,注释工作要少得多 (90个涂注释图像与完整注释>100小时).
- 在包括瘤在内的困难区域保持高分段精度.
结论:
- 拟议的方法通过将人类监督集中在具有挑战性的地区,大大减少了注释工作.
- 在复杂的临床环境中为训练医疗图像细分网络提供了高效的解决方案.
- 为传统的全注释方法提供了切实可行的替代方案.
