相关实验视频
Updated: Jul 24, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
444
一个新的一个到多个无监督域适应框架,用于腹部器官细分
Xiaowei Xu1, Yinan Chen2, Jianghao Wu3
1SenseTime Research, Shanghai, China; School of Mechanical and Electrical Engineering, University of Electronic Science and Technology of China, Chengdu, Sichuan, China.
Medical image analysis
|July 8, 2023
概括
这项研究引入了OMUDA,这是一个新的框架,用于在多序MRI中高效的1到多个无监督域适应性细分腹部器官. OMUDA 提高了训练效率,同时保持了不同成像领域的细分精度.
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:
- 在多序MRI中腹部多器官细分对于手术前规划至关重要,但由于耗时的手动注释而受到阻碍.
- 现有的无监督域适应 (UDA) 方法在域间隙,解剖学一致性和一对一适应方面扎,限制了多个目标域的效率.
研究的目的:
- 开发一个统一的框架 (OMUDA) 以高效的1到多个无监督域适应性细分腹部器官在各种MRI序列.
- 通过提高解剖学一致性和降低计算成本来解决现有的UDA方法的局限性.
主要方法:
- 拟议的OMUDA框架利用内容和风格的脱,在多个目标领域实现高效的图像翻译.
- 整合了发电机重构和风格约束,以保持跨模式的结构一致性,并最大限度地减少域别名.
主要成果:
- 与CycleGAN相比,OMUDA实现了具有竞争力的细分性能 (例如,CHAOS数据集上的91.38% DSC)
- 与CycleGAN相比,显著降低了计算负载,在训练过程中~87%的浮点计算少,在推理过程中~30%的浮点计算少.
结论:
- OMUDA 展示了有效和高效的一到多个无监督域适应性细分用于腹部多器官MRI.
- 该框架的细分精度和计算效率的平衡使其适合于早期产品开发等实际应用.
