对比式学习与自我学习与可变形数据增强在医学图像的语义细分中
Hossein Arabi1, Habib Zaidi2,3,4,5
1Division of Nuclear Medicine and Molecular Imaging, Geneva University Hospital, CH-1211, Geneva 4, Switzerland.
Journal of imaging informatics in medicine
|June 10, 2024
概括
自学和可变形数据增强显著提高了深度学习对医疗图像的细分精度,如脑瘤和脏. 这些方法提供了强大的性能,而不需要额外的训练数据.
科学领域:
- 医学成像分析分析 医学成像分析
- 深度学习用于语义细分的深度学习.
- 计算病理学计算病理学
背景情况:
- 医学图像中解剖结构和病变的准确细分对于诊断和治疗规划至关重要.
- 深度学习模型需要大量的标记数据,这在医学成像中通常很少.
- 对比学习和自我学习是用有限的数据集增强模型性能的技术.
研究的目的:
- 调查对比学习和自我学习对基于深度学习的语义细分性能的影响.
- 将这些技术与一种新的可变形数据增强方法进行比较.
- 用MRI和CT图像来评估脑瘤,海马体和脏的细分精度.
主要方法:
- 采用深度学习语义细分模型.
- 利用了对比学习和自我学习框架.
- 开发并应用可变形数据增强技术.
- 在BraTS和Decathlon数据集上对脑瘤,海马体和脏细分进行验证.
主要成果:
- 自学和可变形数据增强实现了与对比学习和基线模型相比的可比和优越的性能.
- 对于脏细分的子指数达到0.913±0.030 (自学) 和0.920±0.022 (可变形增强).
- 结合自学与可变形增强,形成了一个强大的模型,在所有数据集中产生一致的结果.
结论:
- 自学和可变形数据增强是增强医疗图像细分的有效策略,特别是在数据有限的情况下.
- 这些方法比对比学习和标准方法提供了显著的改进.
- 提出的技术为器官和病变细分提供了强大的解决方案,而不需要额外的注释数据集.
