乳腺纤维腺组织细分用于自动化BPE量化与代周期一致的半监督学习.

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 在动态对比增强磁共振成像 (DCE-MRI) 中精确量化背景对细胞增强 (BPE) 对乳腺癌诊断和预后至关重要.
• 自动化BPE量化依赖于乳腺纤维腺组织的精确细分,这通常受到深度学习模型有限的注释训练数据的阻碍.

研究的目的:

• 开发一个代循环一致的半监督框架,以加强纤维腺组织细分,以改进BPE量化.
• 利用未配对的对比前后DCE-MRI图像来克服注释数据的局限性.

主要方法:

• 提出了一个新的框架,将重建网络与细分网络集成在一起.
• 重建网络学习从对比前图像和细分预测到对比后图像的映射,使用重建作为细分指南.
• 代的自动上下文建模产生了增强数据,在分割输出中强制执行循环一致的约束.

主要成果:

• 拟议的方法证明了优越的细分和BPE量化准确性,与各种数据集的最新半监督技术相比.
• 与临床医生相比,观察到显著的改善:量化准确度高出11.80倍,处理速度快10倍.
• 该框架有效地利用未标记的数据,在不同的数据分布中显示出强大的性能.

结论:

• 代循环一致的半监督框架显著增强了纤维腺组织细分,用于DCE-MRI中自动化BPE量化.
• 这种方法为准确和有效的乳腺癌诊断和预后提供了一个有希望的解决方案.
• 该方法的高精度和速度证明了其广泛采用的临床潜力.