COSST:使用全面监督和自我训练的部分标记数据集进行多器官细分

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 深度学习在多器官细分方面表现出色,但需要广泛的,完全注释的数据集.
• 医疗数据集的规模通常是有限的,并且仅部分标记,这对统一的模型培训构成了挑战.

研究的目的:

• 研究从部分标记的医学图像数据集中学习统一模型的方法.
• 利用多个部分标记数据集的协同潜力,以改善细分.

主要方法:

• 提出了一个新的两阶段框架,COSST (自我训练的综合监督信号).
• 整合了两个基于地面真相的信号和一个使用自我训练的伪标签信号.
• 通过在潜空间中检测异常值来评估伪标签的可靠性,以减轻性能退化.

主要成果:

• 与基线方法 (每个数据集的个人网络) 相比,COSST取得了显著的改进.
• 与最先进的部分标签细分方法相比,始终表现出优越的性能.
• 在公共和私人部分标签细分任务中对12个CT数据集进行验证.

结论:

• COSST有效和高效地将全面的监督信号与部分标签细分的自我培训集成在一起.
• 该框架成功地解决了从有限且部分注释的医学图像数据中学习的挑战.
• 在现实场景中,COSST提供了一个强大的解决方案来提高多器官细分的准确性.