sd-net:一种半监督的双合作网络,用于从计算机断层扫描 (CT) 图像中对肝脏进行细分

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 准确的肝脏细分对于临床诊断和计算机辅助决策支持中的定量生物标志物提取至关重要.
• 肝脏细分的挑战包括噪音,CT图像中的工件,复杂的背景和模糊的边界.
• 完全监督的方法需要大量的手动注释,这是劳动密集型的,需要专家知识,导致有限的高质量数据集.

研究的目的:

• 开发一种半监督的肝脏细分方法,克服完全监督方法的局限性.
• 为了利用有限的标记和大型无标记数据集来提高细分精度.
• 提高医疗图像细分的效率并减少对专家手册注释的依赖.

主要方法:

• 开发了一个半监督的双合作网络 (SD-Net),包括两个协作网络模型.
• 在监督模块中引入了自适应的面具精细化方法,用于从标记数据中精确细分.
• 在无监督模块中采用了动态伪标签生成策略,以有效地利用未标签的数据.

主要成果:

• 拟议的SD-Net方法在肝脏细分方面取得了超过94%的Dice得分.
• 该方法在从手术前腹部CT图像中细分肝脏体积方面表现出高准确性.
• 实验发现表明该方法在处理具有挑战性的图像特征方面具有稳定性.

结论:

• 开发的SD-Net为自动肝脏细分提供了高度准确和高效的解决方案.
• 半监督方法有效地利用弱标记的数据,减少注释负担.
• 该方法显示了将其纳入常规临床实践的巨大潜力,以提高诊断准确度.