使用深度学习进行医学图像的互动细分.

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
• 机器学习 机器学习

背景情况:

• 医疗图像细分的深度学习需要大量的标记数据,导致高时间和劳动力成本.
• 当前的交互式细分方法经常使用早期的融合,导致交互信息稀疏和性能不足.
• 现有的算法忽略了边界信息,从而对细分精度产生了负面影响.

研究的目的:

• 为医疗图像开发一种高效的交互式细分方法,从而降低标签成本.
• 改进用户交互信息在细分模型中的利用.
• 通过结合边界信息来增强细分性能.

主要方法:

• 提出了早期和晚期融合策略,以有效地整合用户交互和图像功能.
• 引入了脱头结构以提取和利用图像边界信息.
• 开发了一个边界损失函数,以在分割过程中执行边界约束.

主要成果:

• 与基线相比,拟议的方法显著提高了三个医疗数据集 (Chaos,VerSe,子宫肌瘤MRI) 的细分性能.
• 在NoC@80 (点击数达到80%的IOU) 中取得了显著的改进,在混沌数据集上得分为1.69.
• 缩短了50%以上的注释时间,每张图像只需要2-3次点击,而手动注释需要25分钟.

结论:

• 结合的早期和晚期核聚变战略有效地利用稀疏的相互作用数据.
• 脱的头部和边界损失增强了模型对精确物体边界的关注.
• 这种交互式细分方法为医疗图像注释提供了具有成本效益和高效的解决方案.