一次性神经解剖细分通过在线数据增强和信心意识的伪标签
Liutong Zhang1, Guochen Ning2, Hanying Liang1
1Department of Biomedical Engineering, School of Medicine, Tsinghua University, Beijing, China.
Medical image analysis
|April 30, 2024
概括
这项研究引入了一种新的深度学习网络,用于一次性大脑细分,从有限的标记数据中学习. 该方法有效地使用变形建模和伪标签对大脑图像进行细分,优于现有的技术.
科学领域:
- 医学图像分析 医学图像分析
- 深度学习 (Deep Learning) 是一种深度学习.
- 神经成像是一种神经成像.
背景情况:
- 监督深度学习方法主导大脑细分,但需要大量的标记数据.
- 一次性细分,从最小的标记数据中学习,是一个重大的挑战.
研究的目的:
- 开发一个高效的端到端深度学习网络,用于一次性脑部细分.
- 通过利用未标记的数据来解决数据密集型监督方法的局限性.
主要方法:
- 一个集成变形建模和细分与共享编码器的统一网络.
- 多尺度特征提取和粗细变形场估计.
- 在线数据增强和对未标记数据的信任感知伪标签.
主要成果:
- 拟议的网络显著优于深层单图集和传统的多图集细分方法.
- 在包括多中心数据在内的三个基准数据集中展示了强大的细分性能.
- 通过共享编码器有效处理外观变化.
结论:
- 开发的一次性细分网络为大脑图像分析提供了强大而高效的数据替代方案.
- 这种方法对临床应用有希望,因为标记数据很少.
- 该方法在各种数据集中的稳定性突出显示了其在现实世界中使用的潜力.
