基于通过配对数据的伪标签生成的跨模式脑血管细分.

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经科学是一个神经科学.

背景情况:

• 对脑血管结构的准确细分对于使用CTA,MRA和DSA等医疗成像模式诊断头骨血管疾病至关重要.
• 深度卷积神经网络 (CNN) 已经进行了先进的医疗图像细分,但对于每个成像类型都需要广泛,昂贵和耗时的数据标签.

研究的目的:

• 开发一种跨模式的大脑血管细分网络,尽量减少对不同成像模式的手动数据标签的需求.
• 利用来自源域和目标域的配对数据来有效训练细分网络.

主要方法:

• 使用手动标记的源域数据训练了一个通用船舶细分网络.
• 目标域培训图像的初始标签被自动生成.
• 配对的图像被合并以改进最初的标签,然后训练目标域细分网络.

主要成果:

• 提出的方法在跨模式大脑血管细分方面表现出有效性.
• 在MRA-CTA和DSA-CTA数据集上的实验证实了最先进的性能.
• 这种方法成功地减少了对每个成像模式的广泛手动注释的依赖.

结论:

• 开发的方法为训练跨模式大脑血管细分网络提供了有效的解决方案.
• 这种技术有可能显著简化骨血管疾病的诊断过程.
• 该方法实现了高性能,与最先进的方法相美,同时降低了数据采集和标签成本.