用不确定的注释进行培训,用于从全场OCT图像中对基底细胞癌的语义细分

科学领域:

• 医疗成像医学成像
• 皮肤病学 皮肤病学
• 计算机视觉 计算机视觉

背景情况:

• 从全场光学连贯断层扫描 (FF-OCT) 图像对基底细胞癌 (BCC) 的语义细分对于皮肤癌诊断至关重要.
• 由于缺乏颜色特异性,FF-OCT数据中的注释不确定性挑战了模型培训,并影响了BCC细分性能.

研究的目的:

• 开发一种训练细分模型的方法,用于FF-OCT图像中检测BCC的不确定的注释.
• 通过解决注释挑战和改善模型性能,提高BCC细分的准确性和稳定性.

主要方法:

• 实施数据选择策略以减轻注释不确定性.
• 扩大了细分类,包括脂质腺和毛囊.
• 使用自主监督的预训练程序来优化初始模型重量.
• 开发了三种后处理技术,以减少斑点噪声和图像不连续性.

主要成果:

• 在BCC细分中获得0.503±0.003的平均子得分.
• 从FF-OCT图像中对BCC的语义细分表现出迄今为止最好的性能.

结论:

• 提出的方法有效地解决了FF-OCT图像BCC细分中的不确定的注释的挑战.
• 数据选择,类扩展,自我监督的预培训和后处理技术的整合显著提高了细分性能.