半监督医疗图像分割使用交叉风格一致性与形状意识和局部上下文约束

科学领域:

• 医疗图像分析 医学图像分析
• 深度学习是一种深度学习.
• 计算机视觉 计算机视觉 计算机视觉

背景情况:

• 半监督深度学习方法在医疗图像细分方面面临挑战,因为标记数据不足.
• 数据有限阻碍了捕捉解剖学复杂性和变异性,影响了临床应用.

研究的目的:

• 开发一种新的半监督细分框架,用于解剖学上可信的医学图像预测.
• 有效地利用未标记的数据来提高细分精度.

主要方法:

• 一个具有两个平行网络的框架:形状无意识和形状意识,使相互学习成为可能.
• 形状感知网络引入隐式形状指导;形状不可知网络使用伪标签的不确定性估计.
• 跨式一致性策略丰富数据,防止过度匹配;新的损失术语增强了当地环境的学习.

主要成果:

• 拟议的方法在三个医学图像数据集上优于现有的半监督细分技术.
• 与其他方法相比,该框架在形状感知方面表现优越.
• 即使使用有限的标记数据,也可以实现解剖学上可信的预测.

结论:

• 开发的半监督框架有效地解决了医疗图像细分中的数据稀缺问题.
• 形状意识,不确定性估计和交叉风格一致性的组合显著提高了细分精度和形状忠实度.
• 这种方法为现实世界的临床应用提供了一个有希望的解决方案,需要精确的解剖细分.