对3D医疗图像数据进行光混合监督细分

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 准确的3D语义细分对于临床应用至关重要.
• 对于3D医疗数据的voxel级注释是劳动密集型的,并引发了隐私问题.
• 目前的切片对切片注释方法耗时.

研究的目的:

• 开发一个3D细分模型,减少注释的努力.
• 克服现有的弱监督方法的局限性,需要严格的界限框.
• 为了使稳定的模型训练使用放松的界限框注释.

主要方法:

• 为3D细分提出了一种混合监督的培训策略.
• 只有一个切片需要完整的轮注释;其他人使用放松的边界框.
• 该方法整合了完全监督的学习,放松的边界框先验和对比的学习.

主要成果:

• 实现了高细分的子得分:在前列腺MRI上达到85.3%,在静脉瘤数据集上达到83.3%.
• 使用宽松的界限框注释,超越了最先进的方法.
• 尽管边界框准确度的变化,但证明了稳定的模型性能.

结论:

• 介绍了一种用于3D医学成像的混合监督学习方法.
• 该方法允许稳定的细分与减少注释准确性要求.
• 便于在大型医疗数据集上更容易地训练模型.