ADNet++:用于多类医疗图像体积细分的几个镜头学习框架,以不确定性为导向的特征精细化
Stine Hansen1, Srishti Gautam1, Suaiba Amina Salahuddin1
1Department of Physics and Technology, UiT The Arctic University of Norway, NO-9037 Tromsø, Norway.
Medical image analysis
|August 4, 2023
概括
这项研究引入了医疗成像的改进的少数镜头细分 (FSS) 模型,提高了准确性并解决了数据限制. 新方法提供不确定性估计,更好的边缘检测和高效的多类细分用于医疗应用.
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:
- 深度细分模型需要大量的标记数据,这在医学领域构成了障碍.
- 原型的短拍细分 (FSS) 模型提供了数据效率高的替代方案,但具有局限性.
研究的目的:
- 解决原型FSS模型中的缺陷:缺乏不确定性估计,边缘定位差,无法进行单步多类细分.
- 提出一种新的方法,可以提高FSS模型性能,而不需要特定的骨干架构.
主要方法:
- 开发了一个修改的原型提取模块,用于FSS模型中的不确定性地图计算.
- 引入了一个由结构信息和不确定性地图指导的新功能改进模块,以改进细分.
- 提出了一步式多类FSS的程序,以避免模糊的预测.
主要成果:
- 证明计算不确定性图有效地表明模型不确定性.
- 在多个医疗数据集 (腹部器官和心脏细分) 中显示了细分精度的显著改善.
- 在子得分方面取得了显著的增长: +5.2% (CHAOS), +5.1% (BTCV) 和 +2.8% (MS-CMRSeg).
结论:
- 拟议的方法论通过结合不确定性估计,指导特征精细化和高效的多类细分来增强原型FSS模型.
- 这些进步为医疗图像细分任务提供了更强大,更有效的数据解决方案.
- 这些改进通过对各种医学成像数据集的严格评估来验证.
