一个双教师模型能够利用同态和异质不一致信息来进行医学图像细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 深度学习在左心房细分方面表现有前途,半监督的方法通常依赖于3D模型训练的一致性规范化.
• 现有的半监督方法主要侧重于模型间的一致性,忽视了有价值的模型间差异信息.

研究的目的:

• 开发一个改进的双教师框架,包括差异信息,以增强左心房细分.
• 为了减少与传统的3D半监督细分模型相关的计算和数据要求.

主要方法:

• 设计了一个双教师框架,其中一个教师模型处理2D信息,另一个处理2D和3D信息.
• 采用一个由两种教师模型指导的学生模型.
• 提取学生和教师预测之间的同态/异质差异信息以进行优化,利用3D信息来帮助没有完整3D模型的2D模型.

主要成果:

• 拟议的框架在左心室 (LA) 数据集上取得了出色的表现.
• 性能与领先的3D半监督方法相当.
• 解决了3D模型的局限性,例如高内存消耗和有限的训练数据可用性.

结论:

• 新的双教师框架有效地利用差异信息来进行左上心房细分.
• 这种方法为完全3D半监督方法提供了计算效率高的替代方案,为临床应用展示了强大的潜力.