通过在子宫内膜癌MRI图像上涂标签,对子宫的细分进行弱监督的细分

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:

• 在子宫内膜癌MRI中,子宫细分对于诊断至关重要.
• 当前的深度学习方法需要繁的像素级注释.
• 弱监督的学习提供了一个有希望的替代方案,以减少注释负担.

研究的目的:

• 开发一个弱监督的子宫细分方法用于子宫内膜癌MRI.
• 减少对耗时和主观的像素级注释的依赖.
• 为了提高细分精度,使用有限的监督.

主要方法:

• 提出了一种弱监督的方法,使用涂标签进行子宫细分.
• 采用伪标签技术与双分支网络来加强监督.
• 引入了指数地测距离损失,以改善边缘检测.
• 利用输入干扰策略来适应子宫的变化.

主要成果:

• 提出的方法在五种监管较弱的技术中取得了最佳表现.
• 实现了92.8%的平均子指数 (DI),11.632的HD95,92.7%的回忆,93.6%的精度和6.5%的平均距离精度 (ADP).
• 证明了与完全监督的方法可比的性能.

结论:

• 开发的弱监督方法在子宫内膜癌MRI中对子宫细分有效.
• 这种方法显著减少了注释工作,同时保持了高准确度.
• 这种方法为临床应用提供了切实可行的替代方案.