自适应的教师-学生框架用于从未注释的私人数据与公开注释的数据集进行结肠多片细分
Yiwen Jia1, Guangming Feng1, Tang Yang1
1Department of Gastroenterology, The Third Affiliated Hospital of Anhui Medical University, Hefei, Anhui, China.
PloS one
|August 28, 2024
概括
一个新的自适应型教师-学生 (SATS) 框架有效地从未注释的私人数据中对结肠片进行细分. 它使用公开数据集和一种新的融合策略来提高准确性,优于现有方法.
科学领域:
- 医学成像医学成像
- 医疗保健中的人工智能
- 胃肠病学 胃肠病学
背景情况:
- 结肠多是尾癌的前体,是全球死亡的主要原因.
- 现有的结肠多片细分方法因数据分布转移和缺乏注释而与私有数据集作斗争.
- 准确的细分对于早期检测和治疗潜在的癌症息肉至关重要.
研究的目的:
- 从未注释的私人数据开发一个新的框架来准确地对结肠多片进行细分.
- 利用公开可用的注释数据集来克服私人数据的局限性.
- 提高自动化多体检测系统的可靠性和性能.
主要方法:
- 提出了一个自适应式教师-学生 (SATS) 框架,利用多个公共数据集来生成伪标签,用于训练学生网络使用私人数据.
- 引入了不确定性和距离融合 (UDFusion) 策略,根据重建相似性动态调整伪标签权重,弥合数据分布差距.
- 为教师和学生模型整合了颗粒式注意力网络 (GANet) 架构,使全球的多重体识别和基于注意力的多层次改进成为可能.
主要成果:
- 在公共和私人数据集的组合中,SATS框架实现了76.30%的IOU,86.00%的回忆和7.01像素的HD.
- 与五种现有的结肠多片细分方法相比,证明了更高的性能.
- 验证了该框架在细分结肠多瘤方面的有效性,即使使用未注释的私人数据.
结论:
- 通过有效利用公共数据集,SATS框架提供了一种强大的解决方案,用于使用未注释的私人数据进行结肠多片细分.
- 该UDFusion战略和GANet架构显著提高了聚细分的准确性和可靠性.
- 这种方法有望通过先进的AI驱动的医学成像分析来改善尾癌的早期检测.
