自主和混合监督改善多类医疗图像分割培训标签

科学领域:

• 医疗图像分析 医学图像分析
• 计算机辅助诊断是一种计算机辅助的诊断.
• 医学中的人工智能.

背景情况:

• 准确的培训标签对于多类医疗图像细分至关重要,但它们的创建是昂贵和耗时的.
• 之前的工作开发了一个双分支网络,用于单个类别的细分,使用具有自我监督的弱和强标签.
• 现有的方法在为复杂的多类细分任务生成高质量的标签方面面临挑战.

研究的目的:

• 开发和验证一种新的战略,用于自动改进多类医疗图像细分的培训标签.
• 适应和增强双分支网络架构,并结合转移学习来进行连续的标签改进.
• 通过减少对广泛的手动注释的依赖来提高医疗图像细分的效率和准确性.

主要方法:

• 采用了一个共享编码器和两个解码器的双分支网络,最初仅使用弱标签进行训练.
• 转移学习被用来顺序微调网络,结编码器和训练解码器,使用强和弱标签.
• 该方法应用于腹部CT扫描中的肌肉,皮下和内脏脂肪组织的三类细分.

主要成果:

• 拟议的方法显著提高了用于多类细分的培训标签的准确性.
• 肌肉,皮下和内脏脂肪组织的子相似系数分别从74.2%增加到91.5%,91.2%增加到95.6%,77.6%增加到88.5% (p<0.05).
• 结合方法与早期方法相比显示出更高的性能,显示标签准确度的统计学上显著改善 (p<0.05).

结论:

• 双分支网络和转移学习的结合提供了一种有效的策略,用于增强多类医疗图像细分中的培训标签.
• 这种方法有效地解决了医疗成像中昂贵且耗时的手动注释所带来的挑战.
• 经过验证的改进表明,在推进自动化医学图像分析和诊断工具方面,这是一个有希望的方向.