无监督医疗图像分割的对比注册.

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:

• 监督深度学习方法在医疗图像细分方面实现了高精度,但需要大量的标记数据,这是昂贵和耗时的.
• 现有的无监督细分技术缺乏与监督方法竞争的准确性,限制了它们的临床适用性.
• 人类在手册注释中的偏见进一步复杂化了为医学成像创建大型,代表性的标记数据集.

研究的目的:

• 开发一种新的无监督医疗图像细分技术,克服现有方法的局限性.
• 引入一种新的基于卷积神经网络 (CNN) 的对比注册架构,用于准确的无监督细分.
• 利用图像级注册和特征级对比学习来提高细分性能.

主要方法:

• 提出了一个新的优化模型,集成到基于CNN的对比注册架构中,名为CLMorph.
• 开发了一种架构,通过注册进行无监督细分来捕获图像到图像转换映射.
• 在注册架构中嵌入一个对比的学习机制,以增强特征歧视.

主要成果:

• CLMorph技术有效地减轻了与当前无监督细分方法相关的缺点.
• 通过数值和视觉实验,通过数字和视觉实验,与最先进的无监督细分技术相比,表现出了显著的性能改进.
• 在两个主要的医学图像数据集上取得了卓越的结果,验证了拟议的方法.

结论:

• CLMorph 方法为准确的无监督医疗图像细分提供了一个有希望的解决方案.
• 在CLMorph中对比学习和注册的结合增强了细分能力,而不需要标记数据.
• 这种方法有可能减少在临床诊断和治疗规划中对手册注释的依赖.