可通用胰腺细分通过双重自我监督学习框架

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:

• 现有的胰腺细分模型在单一来源数据集上表现良好,但缺乏通用性.
• 糟糕的概括导致有限的性能和不稳定性,当应用到来自不同来源的数据.
• 提高单一来源的概括性是非常重要的,因为各种医学成像数据集的稀缺性.

研究的目的:

• 为了提高在单一来源数据集上训练的胰腺细分模型的概括性能.
• 开发一种双重自我监督的学习方法,利用全球和当地解剖学背景.
• 改进高不确定性地区的特征,以便进行更强大的细分.

主要方法:

• 双重自我监督的学习模式,结合全球和本地解剖学背景.
• 由胰腺空间结构指导的全球特征对比的自我监督学习模块.
• 一个本地图像恢复自我监督的学习模块,用于在高不确定性地区恢复损坏的外观模式.

主要成果:

• 在三个胰腺数据集 (467例) 上展示了最先进的性能.
• 综合性废弃分析证实了拟议方法的有效性.
• 在不同数据源的细分稳定性和稳定性显著改善.

结论:

• 拟议的双自主监督学习模型有效地改善了胰腺细分的概括.
• 该方法显示出在胰腺疾病中提供稳定的诊断和治疗支持的巨大潜力.
• 利用全球和本地解剖学背景,在具有挑战性的地区增强了细分.