FPL+:用于3D医疗图像细分的基于伪标签的过无监督交叉模式适应

科学领域:

• 医学成像医学成像
• 计算机视觉 计算机视觉 计算机视觉
• 机器学习是机器学习.

背景情况:

• 将医疗图像细分模型适应新领域对于临床应用至关重要.
• 无监督域调整 (UDA) 是有价值的,因为医疗图像注释的高成本.
• 现有的UDA方法在目标领域的监督不足中扎.

研究的目的:

• 为3D医疗图像细分提出一种基于过伪标签 (FPL+) 的增强的UDA方法.
• 为了提高细分模型的跨领域可转移性,只使用未标记的目标域数据.
• 为了解决目前的UDA技术中监管不足的局限性.

主要方法:

• 利用跨域数据增强来创建一个双域训练集.
• 采用特定域的批量规范化层来处理域转移和不变特征学习.
• 为目标域图像生成高质量的伪标签.
• 实现了图像级加权 (不确定性估计) 和像素级加权 (双域共识) 以改进使用伪标签的细分并减轻噪声.

主要成果:

• 与十种最先进的UDA方法相比,提议的FPL+方法显示出更高的性能.
• 在多个数据集中,在目标领域实现了与完全监督的方法相比或甚至比完全监督的方法更好的结果.
• 在多模式数据集中成功细分了静脉瘤,脑瘤和整个心脏.

结论:

• 增强的FPL+方法有效地将3D医疗图像细分模型适应新领域,而无需标记目标数据.
• 拟议的权重策略通过解决杂的伪标签,显著提高了细分精度.
• 这种方法提供了一个有前途的解决方案,用于在不同的临床环境中强大和高效的医疗图像细分.