边界注意力与多任务一致性约束对于半监督的2D心声回声学细分的限制
Yiyang Zhao1, Kangla Liao2, Yineng Zheng3
1Key Laboratory of Biorheology Science and Technology, Ministry of Education, College of Bioengineering, Chongqing University, Chongqing, 400044, China.
Computers in biology and medicine
|February 10, 2024
概括
本研究引入了一种半监督的方法,用于二维心声回声学细分,通过使用未标记的图像来提高边界和定位信息来改善心脏功能评估.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心脏病学 心脏病学
背景情况:
- 精确的二维回声心电图细分对于评估心脏功能和诊断心脏病至关重要.
- 当前的自动细分方法与边界和本地化信息的丢失以及数据限制作斗争.
研究的目的:
- 提出一种新的半监督心声回声学细分方法,以克服现有的局限性.
- 为了提高心脏结构细分在2D回声心脏图中的准确性和效率.
主要方法:
- 开发了一个边界注意力转换器网络 (BATNet) 以利用自我注意力捕获空间和位置信息.
- 引入了具有边界特征一致性约束的多任务级半监督模型 (半BATNet).
- 在学生和教师网络之间的未标记数据中,利用了跨不同尺度的一致性损失.
主要成果:
- 在CAMUS数据集上,半BATNet显著改善了细分,仅有25%的标记图像,超过了五种最先进的方法.
- 在50%标记图像的自收集数据集上,实现了0.936的子系数和0.881的Jaccard相似性.
- 与现有的半监督方法相比,在细分心脏结构方面表现优异.
结论:
- 拟议的半BATNet通过利用未标记的心声回声图数据,有效地提高了细分精度.
- 这种方法显示出在临床实践中准确有效地协助心脏病专家的巨大潜力.
- 解决了二维回声心电图细分的关键挑战,包括边界和定位信息丢失.


