通过增强特征对齐和交叉伪监督学习进行跨模式医疗图像细分
Mingjing Yang1, Zhicheng Wu1, Hanyu Zheng1
1College of Physics and Information Engineering, Fuzhou University, Fuzhou 350108, China.
Diagnostics (Basel, Switzerland)
|August 29, 2024
概括
这项研究引入了一种新的无监督域适应方法,以改善医疗图像在MRI和CT等不同模式的细分. 该方法通过对齐特征和使用伪监督来提高细分精度,克服领域转移的挑战.
科学领域:
- 医学成像分析 医学成像分析
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 传统的医学图像细分模型由于不同的成像方式而与域移动作斗争.
- 无监督域调整 (UDA) 方法,通常使用生成对抗网络 (GAN),旨在解决跨模式分析,但面临着具有显著特征差距的局限性.
- 现有的UDA方法假定特征对齐,这对于MRI和CT等模式往往不是真的,导致训练不稳定.
研究的目的:
- 为医疗图像细分开发一种新的无监督域适应方法,有效地弥合模式之间的域差异.
- 提高跨模式医疗图像细分的稳定性和准确性.
- 在处理异质医学图像数据时,提高细分网络的学习效率.
主要方法:
- 引入一种新的方法,有两个关键的子网络:一个跨模式特征对齐子网络和一个跨伪监督的双流细分子网络.
- 特征对齐子网络采用双向对齐和自我注意模块来学习结构一致的特征.
- 分段子网络使用增强的交叉伪监督损失,评估域间伪距离以提高伪标签质量.
主要成果:
- 在腹部和大脑成像任务中,在目标领域的细分精度方面取得了显著的进展.
- 成功弥合域差异,导致更有效的跨模式图像细分.
- 与传统的UDA方法相比,确保了更稳定的培训环境.
结论:
- 提出的新方法有效地解决了医疗图像在不同模式的细分领域转移问题.
- 功能对齐和交叉伪监督学习的组合显著改善了细分性能和稳定性.
- 这种方法为强大的跨模式医学图像分析提供了有前途的解决方案.
