相关实验视频
Updated: Jun 26, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
392
联合的3D多器官细分与部分标记和未标记的数据
Zhou Zheng1, Yuichiro Hayashi2, Masahiro Oda2,3
1Graduate School of Informatics, Nagoya University, Furo-cho, Chikusa-ku, Nagoya, Aichi, Japan. zzheng@mori.m.is.nagoya-u.ac.jp.
概括
这项研究引入了使用联合学习进行多器官细分的新框架,解决了医疗成像数据集中隐私和有限标签的挑战. 该方法有效地从不完美的分布式数据中训练出可概括的模型.
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:
- 收集大规模,完全注释的医疗数据集受到隐私问题和高注释成本的阻碍.
- 现有的数据集往往因不同机构的不一致或部分注释而受到影响.
- 从分布式,部分标记和未标记的医疗数据中学习是一个重大尚未探索的挑战.
研究的目的:
- 用分布式,不完美的医疗数据集来解决多器官细分的新问题.
- 开发一种能够从隐私受限,部分标记和未标记数据中学习的可通用模型.
- 统一联合学习 (FL),部分监督学习 (PSL) 和半监督学习 (SSL) 进行强大的医疗图像分析.
主要方法:
- 设计了一个联合学习框架,使用分布式客户端和中央服务器来学习全球模型.
- 该框架整合了部分监督学习 (PSL),半监督学习 (SSL) 和联合学习 (FL) 的专业模块.
- PSL模块处理部分标记的样本,SSL从未标记的数据中提取信息,FL汇总本地客户端模型.
主要成果:
- 拟议的方法在腹部CT数据集上实现了多器官细分 (肝脏,脏,胃) 的平均Dice分数为84.83%和95HD分数为41.62mm.
- 该模型通过成功的转移学习应用程序展示了强大的概括能力.
- 广泛的评估证实了该框架在利用分布式,不完美的数据集方面的有效性.
结论:
- 介绍了多器官细分的新方法,解决了分布式,部分标记和未标记的医学成像数据的挑战.
- 统一的框架有效地结合了PSL,SSL和FL,以从不完美的数据集中训练可泛化模型.
- 经过验证的框架显示了在现实世界中推进医疗图像细分的巨大潜力.
