一致性标签激活区域生成网络,用于弱监督的医疗图像细分.

科学领域:

• 医疗图像分析 医学图像分析
• 计算机视觉 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 当前的医疗图像自分割方法与不准确的病理标签作斗争.
• 临床实践往往依赖于广泛的标签 (疾病/正常),而不是详细的细分口罩.
• 弱监督的学习提供了利用这些常见的临床标签的潜力.

研究的目的:

• 开发一种弱监督的医疗图像细分模型,能够生成准确的损伤面具.
• 利用类激活地图 (CAM) 和循环一致性来改进细分指导.
• 通过使用弱标签来解决细分界限定义的挑战.

主要方法:

• 提出了一个弱监督的网络,以类激活地图 (CAM) 和循环一致性为指导,用于标签激活区域转移.
• 引入了一个互补的分支融合模块,以完善细分界限和保存语义信息.
• 采用联合歧视策略,在图像合成过程中提高病变口罩的精度.

主要成果:

• 该模型准确地识别医学图像中的像素级区域,同时保持整体语义结构.
• 互补的分支融合模块有效地澄清了损伤和非损伤边界.
• 与最先进的方法相比,在BraT,ISIC和COVID-19数据集上实现了更高的性能.

结论:

• 由CAM和循环一致性指导的弱监督学习可以有效地生成精确的医疗图像细分面具.
• 拟议的互补分支融合模块显著改善了细分的界限定义.
• 该方法在各种医学成像数据集中表现出强大的性能,为临床应用提供了有前途的方法.