从LGE-CMR使用特征一致性意识进行心室半监督细分
Hairui Wang1, Helin Huang1, Jing Wu1
1Department of Biomedical Engineering, School of information Science and Technology, Fudan University, Shanghai, 200433, China.
BMC cardiovascular disorders
|October 17, 2024
概括
这项研究引入了一种新型的半监督深度学习方法,用于细分心室在晚期加多增强心脏磁共振成像 (LGE-CMR) 中. 该方法有效地利用未标记的数据来提高细分精度,优于以前的方法.
科学领域:
- 心血管成像 - 心血管成像
- 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.
背景情况:
- 晚期加多增强心磁共振成像 (LGE-CMR) 对于心血管疾病诊断和电生理学建模至关重要.
- 从LGE-CMR中精确细分心室是必不可少的,但通常需要大量的注释数据.
- 深度学习模型显示出希望,但受到大型标记数据集的需求的限制.
研究的目的:
- 开发使用LGE-CMR的心室半监督细分方法.
- 利用未标记的数据来提高深度学习细分模型的性能.
- 提高LGE-CMR中心室细分的效率和准确性.
主要方法:
- 提出了一个半监督网络,集成三重一致性约束 (数据级,任务级,功能级).
- 该网络在平均教师架构中结合了细分和边缘预测任务.
- 为了实现特征级一致性,使用了voxel级别的对比学习策略.
主要成果:
- 提出的方法在心房细分方面取得了高性能 (例如,90.70%的Dice,83.09%的Jaccard与20%的标记数据).
- 腹腔细分也显示出强的结果 (例如,88.99%的子,80.45%的雅卡德,20%的标记数据).
- 性能指标随着标记数据利用率的增加而显著改善.
结论:
- 开发的半监督方法优于心室细分的现有方法.
- 三重一致性约束和对比学习策略增强了模型的稳定性.
- 该网络显示了在医学成像中半监督细分任务的巨大潜力.
