适应波形VNet用于医疗图像细分中的单样样本测试时间适应.

科学领域:

• 医学图像分析 医学图像分析
• 深度学习 (Deep Learning) 是一种深度学习.
• 计算机视觉 计算机视觉

背景情况:

• 医学成像领域的转移 (例如,不同的扫描仪/协议) 降低了深度学习细分模型的性能.
• 手动数据标签是昂贵和耗时的;隐私问题限制了数据收集.
• 使用未标记的目标域数据的测试时间适应 (TTA) 为未见的数据集提供了实用解决方案.

研究的目的:

• 为了提高深度学习对未见的数据集的细分精度.
• 提高来自异质医学成像领域的单个样本的TTA的效率和稳定性.

主要方法:

• 建议使用未标记的测试样本对TTA进行动态适应波幅-VNet (WaVNet).
• 在V-Net编码器中嵌入多尺度波纹系数,用于自适应空间和光谱特征调整.
• 优化模型参数使用混合目标函数与形状感知,精细和损失函数.

主要成果:

• 与基线方法相比,在肝脏和前列腺数据集上实现了更高的细分精度.
• 报告的平均子系数 (DSC) 为78.10% (肝脏) 和80.02% (前列腺).
• 与没有适应的基线相比,显著改善,DSC增加了11.67% (肝脏) 和15.27% (前列腺).

结论:

• 通过无监督学习和多目标优化,自适应的WaVNet在测试时间有效地提高了在未见域中的图像细分精度.
• 该方法对数据稀缺或数据分布变化的临床应用是有益的,例如在线自适应性放射治疗.
• 开源代码可用于WaVNet实现.