MFA-ICPS:半监督医疗图像细分,改进了交叉伪监督和多维特征注意力
相关实验视频
Updated: Jul 16, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
440
En Xia1, Jianjun He1, Zhangquan Liao2
1Chengdu University of Technology, College of Computer Science and Cyber Security (Oxford Brooks College), Chengdu, China.
Medical physics
|September 16, 2023
概括
本研究介绍了MFA-ICPS框架,这是一种半监督学习方法,可以减少对手工医学图像注释的需求. 它显著提高了细分精度,特别是在杂的医疗图像中.
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:
- 医学图像细分对于疾病评估和治疗计划至关重要.
- 深度学习方法已经推进了医疗图像细分.
- 手动注释医疗图像是劳动密集型和耗时的.
研究的目的:
- 开发一个半监督学习框架,以减少手动标签的负担.
- 提高医疗图像细分的准确性,特别是在具有挑战性的地区.
- 解决医疗图像中影响细分的噪音问题.
主要方法:
- 引入了MFA-ICPS框架,结合了改进的交叉伪监督 (ICPS) 和多维特征注意 (MFA) 模块.
- 嵌入式噪声干扰,以提高对图像噪声的稳定性.
- 利用伪细分和MFA地图,以在功能和输出层面上保持一致.
主要成果:
- 在左心房和胰腺CT数据集上取得了高性能.
- 在Dice,Jaccard,95HD和ASD指标中证明有效性 (为了简洁性而省略了特定值).
- 该框架成功地对医疗图像中具有挑战性的领域进行了细分.
结论:
- 在MFA-ICPS框架显著提高医疗图像细分.
- 拟议的方法在不同的医疗数据集中显示出了显著的能力.
- 半监督学习有效地解决了医疗成像中手动注释的局限性.
