专注的对抗训练,用于没有注释的少数镜头医疗图像细分

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:

• 医学图像细分对于临床研究至关重要,但由于缺乏注释数据而受到影响.
• 深度神经网络需要大量的标记数据,这阻碍了对细分任务的强大模型训练.
• 简单的学习提供了一个解决方案,允许对新类进行预测,并提供最小的注释.

研究的目的:

• 提出一种新的短暂语义细分框架,即基于原型的生成对抗网络 (PG-Net),用于在不需要大量注释的情况下进行医学图像细分.
• 提高医疗图像细分模型在低数据模式中的质量和概括能力.

主要方法:

• 开发了一个基于原型的生成对抗网络 (PG-Net),包括基于原型的细分网络 (P-Net) 和指导评估网络 (G-Net).
• P-Net提取多个尺度的特征和局部空间信息,以进行精细的预测.
• 根据对抗式训练策略,G-Net使用注意力机制来完善细分口罩分布,以此为指导.

主要成果:

• 通过对抗性培训,PG-Net显示了增强的细分质量.
• 比较实验表明,与最先进的几次拍摄细分方法相比,PG-Net提供了更高的稳定性和概括性.
• 该框架在腹部计算机断层扫描 (CT) 和磁共振成像 (MRI) 数据集上都表现得很好.

结论:

• 拟议的PG-Net有效地解决了医学图像细分中的有限注释数据的挑战.
• 在多种不同的医学成像模式中,PG-Net实现了强大而突出的概括能力.
• 这一框架具有通过改进的自动化图像分析来推进临床研究的巨大潜力.