学习一个单一的网络,以实现强大的医疗图像细分与噪音标签

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 由于注释挑战,在医学成像中使用噪音标签的强有力的细分是至关重要的.
• 现有的方法通常需要多个网络,并且不灵活,无法解决粗略的边界标签.

研究的目的:

• 提出一个新的框架,SEAMAL,以实现带有噪音标签的强有力的细分.
• 为了实现单一网络的稳定性,用于2D和3D医疗图像细分.
• 为了解决粗边界标签问题,提高细分精度.

主要方法:

• 开发了一个同时边缘对齐和记忆辅助学习 (SEAMAL) 框架.
• 引入了一个内存辅助的选择和校正 (MSC) 模块,用于像素智能标签可靠性评估.
• 整合了一个边缘检测分支 (EDB),用于精确的边界学习.

主要成果:

• SEAMAL展示了强大的学习,以对噪音标签进行细分.
• 该框架在Set-HQ可知和Set-HQ不可知情的场景中实现了适用性.
• 在广泛的实验中,SEAMAL显著超过了以前的方法.

结论:

• SEAMAL为噪音标签医疗图像细分提供灵活的单一网络解决方案.
• 提出的方法有效地处理噪音很大的标签和粗略的边界问题.
• SEAMAL在强大的医疗图像细分方面取得了重大进展.