翻译 3D医疗图像的一致半监督细分.

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 3D医疗图像细分至关重要,但需要大量的注释数据,而这些数据的获取成本很高.
• 半监督学习 (SSL) 通过使用标记和未标记的数据来减少注释负担.
• 基于一致性学习的现有SSL方法可能会专注于空间上下文而不是对象特征.

研究的目的:

• 开发一种用于3D医疗图像细分的新型SSL方法,克服当前方法的局限性.
• 提高模型直接从前景对象中学习细分模式的能力.
• 增强培训的融合性和强度,防止共培训中的伪标签错误.

主要方法:

• 引入了翻译一致协同培训 (TraCoCo),一种SSL方法,通过改变空间上下文来扰乱输入数据视图.
• 提出了一个自信的区域交叉 (CRC) 损失函数,以提高训练和稳定性.
• 在多个3D和2D医疗图像细分基准上评估了该方法.

主要成果:

• 在左心室 (LA),胰腺-CT (胰腺) 和BraTS19基准指标上,TraCoCo取得了最先进的 (SOTA) 结果.
• 该方法还在2D自动心脏诊断挑战 (ACDC) 基准上表现出色.
• 拟议的CRC损失改善了培训的融合和稳定性.

结论:

• 通过变化的空间环境,TraCoCo有效地从前景对象中学习细分模式,优于现有的SSL方法.
• 结合TraCoCo和CRC损失,为3D医疗图像细分提供了强大而高效的解决方案.
• 该方法在各种基准测试中的成功凸显了其广泛的适用性和有效性.