由RECIST引发的可靠学习:为通用损伤细分而使用几何驱动的标签传播

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:

• 在计算机断层扫描 (CT) 中精确的病变细分对于癌症评估至关重要,但如固体瘤响应评估标准 (RECIST) 等当前的方法是有限的.
• 缺乏大规模的,以像素为准的注释数据集,阻碍了自动通用损伤细分 (ULS) 模型的开发.
• 现有的弱监督的方法通常依赖于浅层的交互式细分,这可以引入噪音并限制泛化.

研究的目的:

• 开发一个弱监督的学习框架,用于CT图像中的自动通用损伤细分 (ULS).
• 利用现有的病变数据库与RECIST注释用于ULS培训,克服数据稀缺.
• 与当前基于RECIST的方法相比,提高细分精度和概括性.

主要方法:

• 提出了一个统一的RECIST诱导可靠学习 (RiRL) 框架,用于弱监督的ULS.
• 引入了RECIST诱导的几何标签,以根据临床RECIST特征生成初步标签,创建一个trimap (前景,背景,不清楚区域).
• 实施了使用拓知识驱动图形的随时软标签传播策略,以优化细分边界并避免噪音训练.

主要成果:

• 与最新的基于RECIST的ULS方法相比,RiRL框架在公共基准数据集上表现优异.
• 在各种骨干 (ResNet101,ResNet50,HRNet,ResNest50) 中实现了显著的子得分改善,超过现有的方法1.4%至2.0%.
• 建议的标签生成和传播策略有效地缓解了噪音训练和不良概括性的问题.

结论:

• 开发的弱监督框架有效地利用RECIST注释,在CT图像中进行强大而准确的普遍病变细分.
• RiRL框架为ULS提供了一个有前途的解决方案,解决了有限的像素智能注释数据的挑战.
• 这种方法有可能提高放射性评估和简化癌症治疗评估.