基于半弱监督学习的激光光斑对比图像中强大的血管细分
Kun Yang1,2,3, Shilong Chang1, Jiacheng Yuan1
1College of Quality and Technical Supervision, Hebei University, Baoding 071002, People's Republic of China.
Physics in medicine and biology
|June 16, 2023
概括
本研究介绍了一种半弱监督学习方法,用于激光光斑对比成像 (LSCI) 血管细分. 该方法提高了细分正常和异常容器的准确性和稳定性,优于现有的技术.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 激光光斑对比成像 (LSCI) 对于可视化血液流动至关重要,但在血管细分方面面临挑战,原因是信号噪声比较低,血管异常不规则.
- 准确的血管细分对于诊断和监测影响血管系统的疾病至关重要.
研究的目的:
- 在LSCI中开发一个强大的半弱监督学习策略,用于精确的船舶细分.
- 解决现有方法在处理低信号对噪声,小血管大小和患病的血管区域方面的局限性.
主要方法:
- 使用半弱监督方法,手动标记正常容器和伪标记异常容器.
- 使用DeepLabv3+进行细分,在培训期间不断更新伪标签.
- 整合了风格翻译网络,以测试对异常船形噪声的强度.
主要成果:
- 在客观评估中,实现了高性能,在欧盟 (IOU) 上的交叉点为0.8671,子系数为0.9288.
- 在主观评估中,在细分主血管和小血管以及保持血管连接方面表现出卓越的性能.
- 在引入模仿异常血管的噪音时表现出显著的稳定性.
结论:
- 开发的半弱监督学习策略为LSCI船只细分提供了高效率和稳定性.
- 这种方法为在临床环境中评估血管形态和结构特征提供了一个有前途的工具.


