半监督学习框架与形状编码用于新生儿心室细分从3D超声波
Zachary Szentimrey1, Abdullah Al-Hayali1, Sandrine de Ribaupierre2
1School of Engineering, University of Guelph, Guelph, Ontario, Canada.
Medical physics
|June 10, 2024
概括
这项研究引入了一种新的半监督学习 (SSL) 方法,用于在3D超声图像中对新生儿大脑心室进行细分,显著提高了准确性和效率. 开发的SSL方法有效地利用未标记的数据,在准确性和计算需求方面超过现有方法.
科学领域:
- 医学成像医学成像
- 医学中的人工智能.
- 新生儿神经成像新生儿神经成像
背景情况:
- 三维 (3D) 超声波 (美国) 对监测新生儿腹腔内出血有前途.
- 在3D US中对侧腔室进行准确的细分是具有挑战性的,因为边界差,信号与噪声比低.
- 完全监督的方法需要大量的医生注释,导致高成本和潜在的过度装配.
研究的目的:
- 开发一个快速,轻量级,准确的半监督学习 (SSL) 方法用于3D美国图像细分.
- 利用未标记的数据来提高新生儿大脑侧心室的细分性能.
主要方法:
- 提出了一个SSL框架,结合了形状编码的自动编码器和3DU-Net细分模型.
- 使用自动编码器的伪标签来执行形状约束,以及用于数据分布分析的对抗性区分器.
- 用887张3D美国图像 (87张有标签,800张没有标签) 进行实验,并使用子相似系数 (DSC),平均绝对表面距离 (MAD) 和绝对体积差异 (VD) 进行性能比较.
主要成果:
- 形状编码SSL方法在不同数据分割中实现了平均DSC改进6.5%,7.7%和4.1%的基线3D U-Net.
- 该方法证明了计算效率,与基线相比,RAM仅增加1GB,RAM/参数比3D U-Net组合少.
- 使用威尔科克森签名等级测试与邦费罗尼校正 (p < 0.01) 证实了统计学意义.
结论:
- 本文介绍了第一个专门用于3D美国器官细分的SSL方法之一,它结合了新生儿大脑侧腔室的未标记数据.
- 与最先进的SSL和完全监督的方法相比,提出的SSL方法实现了优越的DSC和较低的VD.
- 这种方法在计算上是高效的,为医疗图像细分挑战提供了实际的解决方案.
