DeepAtlas:图像注册和细分的联合半监督学习
1University of North Carolina, Chapel Hill, NC, USA.
Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
|September 9, 2024
概括
这项研究引入了一个深度学习框架,该框架共同执行医疗图像注册和细分. 这种方法显著提高了准确性,并减少了对广泛标记数据的需求,即使只有一个培训样本.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 深度卷积神经网络 (CNN) 在语义图像细分方面表现出色,但需要大量的标记训练数据.
- 获得监督培训的3D医疗图像细分是具有挑战性和耗时的.
- 经典方法探索了联合细分和注册,激发了一种新的深度学习方法.
研究的目的:
- 开发一个深度学习框架,共同学习图像注册和细分网络.
- 为了利用现有的分段进行注册监督,并在不可用时生成分段.
- 通过基于注册的数据增强来增强细分网络培训.
主要方法:
- 提出了一个新的深度学习框架,集成图像注册和细分网络.
- 该框架利用细分来对注册的监督较弱,并生成细分来进行增强.
- 实验是在3D膝盖和大脑MRI图像上进行的.
主要成果:
- 与独立训练的网络相比,联合框架在细分和注册准确性方面实现了同时的改进.
- 高质量的模型使用显著有限的数据进行训练,包括一次性场景.
- 在一次性场景中,Dice的得分比无监督登记增加了2.7%的膝盖和1.8%的脑图像.
结论:
- 对于图像注册和细分的深度网络的联合学习非常有效.
- 这种方法大大减少了对医疗图像分析的大型标记数据集的依赖.
- 该框架展示了训练精确模型的潜力,使用最少的手动注释.
