基于本地区域的半监督肝脏细分自主监督
Qiong Lou1, Tingyi Lin1, Yaguan Qian1
1School of Science, Zhejiang University of Science and Technology, Hangzhou, China.
Medical physics
|December 18, 2023
概括
本研究引入了一种使用对比学习和局部区域自我监督 (LRS2) 的新型半监督肝脏细分方法. 这种方法有效地利用了不可靠的预测,与监督方法相比,将子系数提高了6.11%.
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:
- 半监督学习减少了医学图像细分中的注释需求.
- 相反的学习辅助工具在利用不可靠的预测,但可以忽略解剖结构.
- 整合解剖学上下文对于优化医疗图像细分至关重要.
研究的目的:
- 提出一种新的半监督方法,使用对比学习来对肝脏进行细分.
- 为了提高对比学习对医疗图像细分任务的有效性.
- 为了利用未标记的数据来提高肝脏细分的准确性.
主要方法:
- 提出了一种半监督的对比学习方法,其中地方区域进行自我监督 (LRS2).
- 利用香农来区分可靠和不可靠的预测,减少区域单位内的表示差异.
- 引入了动态可靠性值,并应用了形态操作 (侵蚀,扩张) 来精细选择样本.
主要成果:
- 通过有效利用不可靠的预测,LRS2方法表现出令人满意的性能.
- 与监管的VNet相比,在Dice系数方面取得了显著的改进,收益高达6.11%.
- 报告的子系数在不同的标记数据比例中从93.31%到95.12%不等.
结论:
- 拟议的方法成功地从可靠区域选择了正和负样本,在不可靠区域正确地分配了像素.
- 通过区域分区将解剖结构纳入,可以提高样本信息捕获的精度.
- 广泛的实验验证了LRS2方法对半监督肝脏细分的有效性.
