显式几何约束和对比的多颗粒度学习,用于标签高效的医疗图像细分和可差异化的临床功能评估

科学领域:

• 医学图像分析 医学图像分析
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 医疗图像细分的监督学习需要大量的手动注释,这些注释往往很少.
• 现有的半监督方法与明确的几何和语义表示作斗争,限制了细分的准确性.
• 准确的细分对于可靠的临床功能评估至关重要.

研究的目的:

• 开发一种混合框架,用于医学图像细分的弱/半监督学习.
• 增强几何和语义表示,以提高细分精度和稳定性.
• 整合临床功能评估作为细分任务的辅助监督.

主要方法:

• 建议使用多边形顶点 (PolyV) 和区域面罩 (PixelR) 进行几何结构约束的多颗粒度学习方法.
• 采用一个明确的对比目标来学习边界轮的歧视性特征空间,减少含糊性与有限的注释.
• 利用特定任务的临床领域知识进行端到端的临床功能评估,这也为细分提供了较弱的监督.

主要成果:

• 该框架在细分任务中表现出卓越的性能,包括光盘/杯和左心室细分.
• 获得了临床功能的准确估计,如垂直杯与盘的比率 (vCDR) 和左心室喷射率 (LV_EF).
• 在各种标签设置下对9个大规模数据集的实验证实了该模型的有效性.

结论:

• 拟议的混合框架显著提升了医学图像细分的几何和语义表示.
• 该方法有效地解决了医疗图像分析中有限注释的挑战.
• 这种方法为医学成像中的细分和临床功能评估提供了强大的解决方案.