通过形状意识的适应性微调进行跨解剖学转移学习,用于3D容器细分
IEEE journal of biomedical and health informatics
|July 2, 2024
概括
这项研究引入了一种新的跨解剖学转移学习框架,以改善3D血管细分. 该方法适应性地微调模型,克服域移动挑战,以准确细分各种船舶结构.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算解剖学的计算解剖学
背景情况:
- 深度学习在容器细分方面表现出色,但需要广泛的标记数据.
- 转移学习可以利用现有的数据集,但由于结构上的差异,它在跨解剖学领域的转移方面遇到了困难.
研究的目的:
- 开发一个强大的跨解剖学转移学习框架,用于3D血管细分.
- 解决转移学习的性能限制,这是由于血管结构在不同解剖学中的显著差异造成的.
主要方法:
- 在公开的肝血管数据集上生成了一个预训练模型.
- 一个自适应微调策略动态调整的网络过器,以对目标船舶进行细分.
- 基于高斯的签名距离地图被纳入作为一个辅助任务,以捕获几何意识知识.
主要成果:
- 拟议的框架有效地克服了跨解剖学领域的转变.
- 在小规模的冠状动脉和脑血管数据集上实现了精确的血管细分.
- 适应性微调和辅助任务改善了模型的概括性.
结论:
- 开发的框架显著提高了不同解剖部位的3D血管细分精度.
- 这种方法减少了对大型,特定站点标记数据集的需求.
- 该方法在医学图像分析中显示出更广泛应用的前景.
