使用伪标签和多阶段的nnU-Nets进行腹部CT的皮下水细分的弱监督学习
Sayantan Bhadra1, Jianfei Liu1, Ronald M Summers1
1Imaging Biomarkers and Computer-Aided Diagnosis Laboratory, Radiology and Imaging Sciences, National Institutes of Health Clinical Center, Bethesda, USA.
概括
这项研究引入了一种弱监督的深度学习方法,用于在CT扫描中准确的瘤细分. 它通过使用伪标签来改进现有技术,从而在临床环境中更精确地定量.
科学领域:
- 医学成像分析分析 医学成像分析
- 放射学中的人工智能
- 量化医疗成像技术的使用.
背景情况:
- 精确的体积测量的评估对于监测脏,肝脏和心力衰竭等疾病至关重要.
- 从腹部CT扫描中进行非侵入性,自动的瘤细分具有显著的临床价值.
- 目前用于瘤细分的强度前方法存在错误阳性和细分不足的问题.
研究的目的:
- 开发一种弱监督的学习方法,用于在腹部CT扫描上进行3D瘤细分.
- 为了克服手动注释在监督深度学习中的局限性.
- 为了提高临床应用中胀量化的准确性和可靠性.
主要方法:
- 提出了一种弱监督的学习方法,利用来自的强度先验的伪标签.
- 包含周围组织 (肌肉,皮下和内脏脂肪) 的伪标签,以提供上下文信息.
- 采用多阶段nnU-Net架构进行精细的3D瘤细分.
主要成果:
- 与基线方法相比,弱监管的方法显示了明显较低的细分错误.
- 通过利用伪标签和上下文组织信息,实现了更精细的水细分.
- 验证了拟议方法在改善临床水量化方面的潜力.
结论:
- 使用伪标签的弱监督学习为手动注释稀缺时,为3D瘤细分提供了可行的解决方案.
- 组织伪标签的整合通过提供有价值的背景来提高细分精度.
- 这种方法有望在各种临床条件下推进非侵入性胀评估.
