用有限的数据对医疗图像进行细分
Zhaoshan Liu1, Qiujie Lv2, Chau Hung Lee3
1Department of Mechanical Engineering, National University of Singapore, 9 Engineering Drive 1, Singapore, 117575, Singapore.
概括
数据高效医疗细分器 (DEMS) 通过半监督学习改进了医疗图像细分. 它通过增强数据的多样性和一致性来实现卓越的性能,特别是在有限的数据中.
科学领域:
- 计算机视觉 计算机视觉
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 计算机视觉对于医疗图像细分至关重要,但与小数据集和未标记数据作斗争.
- 现有的方法通常需要大型标记数据集,这限制了它们在医疗环境中的应用性.
研究的目的:
- 引入一种新的半监督,基于一致性的方法,称为数据高效医疗细分器 (DEMS).
- 提高医疗图像细分模型的概括能力和数据效率,特别是在数据稀缺的条件下.
主要方法:
- DEMS采用了一个编码器-解码器架构,其中包括在线自动增强 (OAA) 和剩余强度增强 (RRE) 块.
- 通过图像转换,OAA使数据集多样化,而RRE丰富了特征多样性,并为各种解码器输入引入了干扰.
- 使用敏感损失函数来提高跨解码器的一致性并稳定训练.
主要成果:
- DEMS在多个数据集中表现出显著的有效性,包括那些极度缺乏数据的数据集.
- 在低数据场景中,与U-Net (16.85%的改进) 和最先进的方法 (10.37%的改进) 相比,获得了更高的子得分.
- 该方法显示出强大的性能和数据效率,在数据限制下超过现有方法.
结论:
- 德姆斯为医疗图像细分提供了强大且数据效率高的解决方案,在低数据模式中尤其有价值.
- 开发的OAA和RRE块,以及敏感损失,有助于提高细分精度和模型概括性.
- 这种方法有可能推进医疗细分应用,因为标记数据很少.
