TLF:从不可靠的标记CTA扫描中对内动脉瘤细分的三重学习框架

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经外科 神经外科

背景情况:

• 内动脉瘤 (IAs) 是一个重大的健康问题,通过计算机断层扫描血管学 (CTA) 进行诊断是复杂的.
• 深度神经网络 (DNN) 对医疗图像细分有希望,但需要广泛的标记数据,这是IA分析的瓶.
• 目前的方法与AI检测大脑CTA扫描的耗时和具有挑战性的注释作斗争.

研究的目的:

• 从脑CTA扫描中开发一个强大的内动脉瘤 (IAs) 的细分模型.
• 为了应对有限的高质量标记数据的挑战,用于训练深度神经网络 (DNN).
• 提出一个新的三重学习框架 (TLF),整合伪监督,对比和自信的学习.

主要方法:

• 实施了三重学习框架 (TLF),结合伪监督,对比和自信的学习策略.
• 在噪音标签上使用增强的平均教师模型和选 voxel 策略进行伪监督学习.
• 整合了在功能空间中的对比学习和用于标签校正和改进细分的多尺度自信学习.

主要成果:

• 拟议的TLF成功地从不可靠的标记脑CTA数据中学习了一个强大的IA细分模型.
• 在大型数据集上的实验结果表明,与现有的最先进的方法相比,细分精度更高.
• 该方法有效地克服了IA诊断中数据稀缺和注释挑战的局限性.

结论:

• 三重学习框架 (TLF) 提供了一种有效的解决方案,用于使用具有挑战性的脑CTA数据对内动脉瘤 (IA) 进行细分.
• 这种方法显著提升了医学图像分析中的深度学习潜力,特别是对于需要精确细分的条件.
• 开发的模型有望提高IA诊断的效率和准确性,帮助临床决策.