一个时间增强的半监督培训框架用于3D超声波图像中针细分
Mingwei Wen1, Pavel Shcherbakov2, Yang Xu1,3
1Department of Biomedical Engineering, College of Life Science and Technology, Huazhong University of Science and Technology, No 1037, Luoyu Road, Wuhan 430074, People's Republic of China.
Physics in medicine and biology
|April 29, 2024
概括
这项研究引入了一种新的半监督框架,用于快速准确的3D超声波活检针细分,提高时间信息的准确性,减少脏和前列腺数据集中的错误.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 在3D超声波中自动化活检针分段对于导航至关重要,但由于低分辨率和干扰,具有挑战性.
- 当前的深度学习方法需要大量的标记数据,与实时性能作斗争,并消耗大量内存.
研究的目的:
- 开发一个快速,准确和半监督的深度学习框架,用于3D超声波活检针片段.
- 利用来自连续超声波图像的时间信息来提高细分精度,而无需额外的标签成本.
主要方法:
- 提出了一个基于时间信息的半监督培训框架,其中包含了一个新的圆形变压器模块.
- 用于对未标记数据进行半监督的一致性约束.
- 使用一个结合损失函数训练模型,包括交叉,子相似系数 (DSC) 和平均平方误差.
主要成果:
- 与主流时间细分和脏和前列腺活检数据集的半监督方法相比,实现了优异的性能.
- 显示较高的DSC (77.1%脏,78.5%前列腺) 和减少针尖位置和长度错误.
- 通过使用 beagle 活检程序的序列图像验证了有效性.
结论:
- 拟议的方法显著提高了在3D超声波中活检针细分的准确性.
- 这种方法提供了一种具有成本效益的方法,通过利用时间数据来改进活检导航系统.
- 该框架解决了现有方法在数据要求和实时性能方面的局限性.
