在医学成像中探索半监督解剖结构细分的固有一致性

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:

• 半监督学习对于医疗图像细分至关重要,因为标记数据的成本很高.
• 现有的方法主要使用图像级空间一致性进行规范化.
• 结构的固有解剖学性质在当前的技术中经常被忽视.

研究的目的:

• 引入和评估一种新的半监督学习方法,其中包含了解剖结构细分的固有一致性.
• 为了利用潜在的表示,捕捉内在的解剖特征,以改善细分.
• 为了提高细分结果的解剖学可信性.

主要方法:

• 将预测和基本真相投射到嵌入空间中,以导出潜在的表示.
• 设计两个固有的一致性约束来调整这些潜在表示.
• 集成的插即用方法与现有的半监督细分技术.

主要成果:

• 拟议的方法在三个公共数据集 (ACDC,LA,胰腺) 中显示出良好的概括性.
• 实验结果显示,与几种最先进的方法相比,性能优越.
• 这种方法有效地提高了细分性能和解剖学可信性.

结论:

• 整合固有的一致性是半监督医疗图像细分的一个有希望的方向.
• 拟议的方法提供了一种灵活有效的方法,以提高细分精度和解剖现实性.
• 这项工作为推进自动化医疗图像分析提供了宝贵的贡献.