DMSPS:动态混合软伪标签监督,用于涂监督的医疗图像细分
Meng Han1, Xiangde Luo2, Xiangjiang Xie1
1School of Mechanical and Electrical Engineering, University of Electronic Science and Technology of China, Chengdu, China.
Medical image analysis
|July 23, 2024
概括
这项研究引入了一种新的基于涂的医疗图像细分框架,减少了对广泛的像素级注释的需求. 动态混合软伪标签监督 (DMSPS) 方法显著提高了标签稀疏的细分精度.
科学领域:
- 医学图像分析 医学图像分析
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机视觉 计算机视觉
背景情况:
- 准确的医学图像细分需要广泛的像素级注释,这对专家来说是耗时和昂贵的.
- 使用稀疏标签的弱监督学习提供了一种解决方案,可以减少注释负担,同时保持细分性能.
研究的目的:
- 为医疗图像细分开发一个高效的基于涂的框架.
- 为了减少对密集的像素级注释的依赖.
- 为了提高3D医学成像中的细分精度.
主要方法:
- 引入了动态混合软伪标签监督 (DMSPS),这是一个基于涂的框架.
- 使用双分支网络与辅助解码器来增强功能捕获.
- 利用通过动态混合解码器预测生成的软伪标签进行监督.
- 实施了一种两阶段的方法来扩大使用低不确定性预测的稀疏涂.
主要成果:
- 在多个数据集中实现了平均子相似度系数 (DSC) 的显著改善:ACDC (50.46%至89.51%),WORD (75.46%至87.56%) 和BraTS2020 (52.61%至76.53%).
- 超过了五种最先进的涂监督细分方法.
- 在不同的细分骨干中证明了可通用性.
结论:
- DMSPS框架有效地降低了医疗图像细分的注释成本.
- 拟议的方法在涂监督的医疗图像细分方面实现了最先进的性能.
- DMSPS是一种强大且可通用的方法,适用于各种医学成像任务.
