SDMI-Net:用于半监督医疗图像细分的空间依赖互联信息网络.

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 在医学图像细分中的半监督学习使用有限的标记数据与丰富的未标记数据来训练深度模型.
• 声元级一致性学习方法受到低信心声元的阻碍,并且忽视声元之间的空间相关性.
• 由于这些局限性,现有的方法难以高效准确地对医疗图像进行细分.

研究的目的:

• 开发一种强大的半监督医疗图像细分方法,克服voxel级一致性学习的局限性.
• 为了增强邻近的voxels之间的空间依赖,以实现更可靠的细分.
• 在医疗图像细分任务中实现最先进的性能.

主要方法:

• 提出了一种双教师同源一致的不确定性估计,以过高不确定性voxels,促进可靠的voxel级学习.
• 引入了空间依赖的相互信息模块,以最大限度地提高局部voxel块之间的相互信息,以实现区块级一致性.
• 实施并验证了左前庭细分挑战和BRATS-2019数据集的方法.

主要成果:

• 提出的方法有效地过了不确定的voxels,提高了细分过程的可靠性.
• 区块级一致性学习显著增强了邻近的voxels之间的空间依赖.
• 在基准医疗图像细分数据集上取得了最先进的定量和质量结果.

结论:

• 双教师同源一致的不确定性估计和空间依赖的相互信息模块为半监督的医疗图像细分提供了优越的方法.
• 该方法解决了先前技术的关键局限性,从而提高了细分精度和稳定性.
• 该方法显示了在医学图像分析中推进深度学习应用的巨大潜力.