在视网膜OCT图像上的异常引导的弱监督的病变细分

科学领域:

• 生物医学研究的研究.
• 医学成像医学成像
• 计算机视觉 计算机视觉 计算机视觉

背景情况:

• 生物医学研究中的大数据需要专家标记监督学习.
• 像素级注释是劳动密集型和昂贵的.
• 现有的弱监督语义细分 (WSSS) 方法往往侧重于单类细分,并与多类医学图像作斗争.

研究的目的:

• 开发一种新的弱监督语义细分 (WSSS) 方法,用于视网膜光连贯断层扫描 (OCT) 图像中的多类细分.
• 解决现有的WSSS方法在处理多个共存类和变异的病变规模和发生在医学成像中的局限性.
• 为了实现精确的损伤细分,只使用图像级标签.

主要方法:

• 提出了一种用于多类细分的新型异常引导机制 (AGM).
• 利用异常检测和自我注意来整合弱异常信号与全球上下文信息.
• 整合了一个代的精炼阶段,以加强对潜在病变的关注,并抑制不相关的区域.

主要成果:

• 拟议的 AGM 在 WSSS 中实现了在 OCT 图像上的病变细分的最先进性能.
• 在两个公共和一个私人数据集中验证了性能,证明了稳定性.
• 在具有显著差异的医疗图像中有效处理多类细分挑战.

结论:

• 异常导向机制 (AGM) 提供了一个有前途的解决方案,用于在OCT图像中精确的多类病变细分,仅使用图像级标签.
• 这种方法克服了医疗成像中现有的WSSS方法的局限性,特别是在复杂的多类场景中.
• 该方法有可能推进从OCT扫描中对视网膜疾病的自动化分析.