FBN:通过在线前景和背景优化弱监督的甲状腺结节细分
Ruiguo Yu1, Shaoqi Yan1, Jie Gao1
1College of Intelligence and Computing, Tianjin University, Tianjin, China; Tianjin Key Laboratory of Advanced Networking, Tianjin University, Tianjin, China; Tianjin Key Laboratory of Cognitive Computing and Application, Tianjin University, Tianjin, China.
Ultrasound in medicine & biology
|June 12, 2023
概括
这项研究引入了一种新的方法,用于在超声图像中对甲状腺结节进行细分,仅使用分类数据,显著提高了准确性. 该方法通过利用图像信息来提高细分性能,弥合弱监管和完全监管方法之间的差距.
科学领域:
- 医学成像医学成像
- 人工智能的人工智能是人工智能.
- 计算机视觉 计算机视觉 计算机视觉
背景情况:
- 甲状腺结节的语义细分对于诊断至关重要.
- 超声波图像的像素级注释是劳动密集型的.
- 弱监督的语义细分 (WSSS) 方法往往难以完全突出显示对象.
研究的目的:
- 使用分类数据训练甲状腺结节超声波图像的语义分段模型.
- 为了减少对广泛的像素级标记数据集的需求.
- 通过挖掘图像信息和弥合WSSS-FSSS差距来提高细分性能.
主要方法:
- 提出了一种新的前景和背景对 (FB-Pair) 表示方法.
- 利用了类激活地图 (CAM) 并使用FB-Pair进行了修改.
- 设计了一个基于FB-Pair的自主监督学习借口任务,以准确区分对象.
主要成果:
- 实现了5.7%的平均交叉-超过-联盟 (mIoU) 细分性能改善.
- 将良性和恶性结节细分之间的性能差异降低到2.9%.
- 与现有方法相比,在甲状腺结节超声波图像 (TUI) 数据集上表现出优异的性能.
结论:
- 成功训练了一个高性能细分模型,仅使用甲状腺结节超声波图像的分类数据.
- 证实CAM可以有效地利用图像信息进行准确的目标区域突出显示,从而增强细分.
- 提出的方法为有效和准确的甲状腺结节细分提供了可行的解决方案.
