基于隐性神经表示和相互学习 (SIMN) 的半监督模型,用于MRI上的多中心鼻癌细分
Xu Han1, Zihang Chen2, Guoyu Lin3
1School of Biomedical Engineering, Southern Medical University, 1023 Shatai Road, Guangzhou, 510515, China; School of Biomedical Engineering and Guangdong Provincial Key Laboratory of Medical Image Processing, Southern Medical University, 1023 Shatai Road, Guangzhou, 510515, China; Guangdong Province Engineering Laboratory for Medical Imaging and Diagnostic Technology, Southern Medical University, 1023 Shatai Road, Guangzhou, 510515, China; Pazhou Lab, Guangzhou, 510515, China.
Computers in biology and medicine
|April 25, 2024
概括
一个新的半监督框架,SIMN,在多中心MRI扫描上准确地细分鼻癌 (NPC) 瘤和转移性淋巴结. 这种深度学习方法实现了与基本真相的高度重叠,即使具有有限的标记数据.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 在具有有限标签的异质MRI图像上精确细分鼻癌 (NPC) 总瘤体积 (GTV) 和转移性淋巴结 (MLN) 是一个重大挑战.
- 现有的深度学习方法在多中心数据和稀缺的注释方面扎.
研究的目的:
- 开发和验证一个新的半监督框架,用于精确划分多中心NPC边界.
- 在NPC细分中解决有限的标签和异质成像数据的局限性.
主要方法:
- 提出SIMN,一个半监督的框架,集成基于不确定性的隐性神经表征.
- 利用深度相互学习与卷积神经网络 (CNN) 和变压器,结合动态值和域自适应算法.
- 收集和分析了来自三个医院的918名患者的MRI图像.
主要成果:
- 对于GTV和MLN细分,SIMN表现出高的重叠比率与地面真相.
- 在20%标记数据的内部测试队列中,获得了0.7981 (GTV) 和0.7804 (MLN) 的平均子相似系数 (DSC).
- 在外部测试队列中表现强 (例如,GTV的DSC为0.7217,武州红十字医院的MLN为0.7581),并且表现优于现有的半监督方法.
结论:
- SIMN使用半监督学习 (SSL) 在多中心MRI图像上为NPC提供高度准确的GTV和MLN细分.
- 该框架在没有微调的情况下表现出优异的可转移到其他中心,表明其作为在临床环境中具有有限标签的异质MRI图像的通用化解决方案的潜力.
