对心脏图像细分 (CAU) 的增强未标记数据的对抗性共识模型 (CAU)
1College of Information Engineering, Shanghai Maritime University, Shanghai, China.
Mathematical biosciences and engineering : MBE
|September 7, 2023
概括
这项研究介绍了CAU+,一种半监督的心脏图像细分方法. 通过有效利用未标记的数据,CAU+提高了细分精度,显著改善了关键性能指标.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心脏病学 心脏病学
背景情况:
- 高质量的医学图像对于智能医学分析至关重要.
- 获得专业注释的医疗图像数据集是昂贵且耗时的.
- 半监督学习为减少注释依赖提供了一个潜在的解决方案.
研究的目的:
- 提出CAU+,一种用于心脏图像细分的新型半监督方法.
- 利用增强的未标记数据来提高细分性能.
- 为了应对医疗成像中的数据稀缺和注释成本的挑战.
主要方法:
- CAU+采用一个共识模型,其中包含一个细分网络 (教师-学生模型) 和一个歧视网络.
- 它使用CTAugment对未标记的数据进行强增和弱增,分别为学生和教师模型提供它们.
- 混合损失函数结合了受监督和不受监督的损失,通过使用区分器生成的信任图进行对抗学习来增强.
主要成果:
- CAU+在自动心脏诊断挑战 (ACDC) 数据集上显示出显著的改进.
- 该方法在子系数 (DSC) 中增加了18.01%,在雅卡尔系数 (JC) 中增加了16.72%.
- 相对绝对体积差 (RAVD) 提高了高达0.8,与最先进的方法相比,平均表面距离 (ASD) 和95%的豪斯多夫距离 (HD95) 减少了50%以上.
结论:
- CAU+是一种有效且可通用的半监督方法,用于心脏图像细分.
- 拟议的方法显著提高了细分精度,并减少了对标记数据的依赖.
- CAU+提供了一个有前途的解决方案,用于具有成本效益和高效的医疗图像分析.
