扩展管注意管状结构细分的细分.
1Department of Electrical, Information, Materials and Materials Engineering, Meijo University, Tempaku-ku, Nagoya, Aichi, 468-8502, Japan. 150442030@ccalumni.meijo-u.ac.jp.
International journal of computer assisted radiology and surgery
|December 19, 2023
概括
这项研究引入了一种用于在图像中细分薄管状结构的新方法. 扩展管注意力 (ETA) 模块通过首先从加厚的伪标签中学习,然后再改进到原始结构来提高准确性.
科学领域:
- 医学图像分析 医学图像分析
- 计算机视觉 计算机视觉
- 生物医学工程 生物医学工程
背景情况:
- 像血管这样的细管状结构的语义细分由于极端的像素失衡而具有挑战性.
- 现有的方法经常失败,打破预测的区域,因为地面真相是非常薄的.
研究的目的:
- 开发一种新的培训方法,以改善管状结构的语义细分.
- 引入一个注意力模块,以应对稀薄和不平衡数据的挑战.
主要方法:
- 一种使用通过形态转换生成的伪标签的新培训方法.
- 一个注意力模块,扩展管注意力 (ETA) 模块,使用加厚的伪标签.
- 一个渐进式的学习策略,网络首先从加厚的区域学习,然后再改进到原来的薄区域.
主要成果:
- 对视网膜血管图像数据集的实验表明,clDice的度量准确性得到了改善.
- 使用ETA模块的拟议方法优于传统的细分技术.
- 验证证实了ETA模块在提高细分性能方面的有效性.
结论:
- 新的扩展管注意力 (ETA) 模块有效地解决了细管状结构细分的挑战.
- 拟议的方法促进了简单到艰难的学习过程,提高了细分的准确性.
- 这种方法为生物医学成像中准确的语义细分提供了有希望的解决方案.
