从CT图像中半监督细分间歇性肺部疾病模式,通过选择性再培训的自我训练

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 在计算机断层扫描 (CT) 中精确细分间歇性肺病 (ILD) 模式对于患者管理至关重要.
• 手动像素对像素对ILD模式的细分是耗时的,限制了深度学习的大型注释数据集的可用性.
• 数据稀缺性对开发有效的数据驱动深度学习模型来对ILD细分构成重大挑战.

研究的目的:

• 开发一个端到端的半监督学习框架,ESSegILD,以从CT图像中高效地细分ILD模式.
• 通过利用切片式稀疏的注释来解决有限的注释数据的挑战.
• 用部分标记的数据集来提高ILD细分的深度学习模型的性能.

主要方法:

• 提出了一个端到端的半监督学习框架 (ESSegILD),采用平均教师模型,并进行一致性规范化.
• 整合了一种自我训练技术,选择性重新训练,以利用由教师模型生成的可靠伪标签.
• 在一个大型CT数据集上训练模型,用切片式稀疏的注释,代扩展训练样本.

主要成果:

• 在ESSegILD框架有效地利用来自部分注释数据集的未标记数据来提高细分性能.
• 对67名肺炎患者的数据集进行的实验表明,与最先进的方法相比,性能优越.
• 该方法从超过11000张CT图像中实现了八种不同的ILD肺部模式的准确细分.

结论:

• ESSegILD提供了一个强大的解决方案,用于在CT扫描中对ILD模式进行细分,克服数据注释的限制.
• 拟议的半监督方法与自我培训和选择性再培训显著提高了细分的准确性.
• 这一框架有望在临床实践中推进自动化ILD分析.