自动转移监督目标方法用于用CT成像对肺病变区域进行细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机辅助诊断 计算机辅助诊断

背景情况:

• 在CT图像中精确细分感染的肺部区域对于诊断和治疗至关重要.
• 传统的方法往往依赖于广泛的手动注释,这是耗时和劳动密集的.
• 开发自动化或半自动化方法可以显著提高效率和可扩展性.

研究的目的:

• 提出一种新的半监督双分支框架,用于自主识别和选择最佳目标,以在CT图像中对感染的肺部区域进行细分.
• 通过利用专家注释和自动生成,粗略注释的数据来提高学习效率.
• 为了提高医疗图像细分的深度学习模型的准确性.

主要方法:

• 设计了一个半监督的双分支框架,包含有限的专家注释数据和大量粗略注释数据 (使用Hu值进行细分).
• 在培训期间,使用Lovasz评分方法在弱势分支中动态切换和选择最佳监督目标.
• 这种方法使模型能够利用噪音标签进行初始定位,并使用更准确的数据逐步完善目标.

主要成果:

• 拟议的半监督双分支网络在内部基准上达到83.56±12.10%,在外部基准上达到82.67±8.04%的平均子相似系数 (DSC).
• 与没有额外样本的U-Net和平均教师算法相比,拟议的方法显示了DSC值的显著改善 (在内部和外部基准上分别高达13.54%和13.37%).
• 使用具有成本效益的伪标记样品显著提高了模型性能.

结论:

• 具有成本效益的伪标签样本有效地协助深度学习 (DL) 模型培训,优于仅在手动标签上训练的传统DL模型.
• 与现有的双分支结构相比,拟议的方法显示出更高的性能.
• 这种方法为医疗图像细分任务提供了可扩展和高效的解决方案.