超越强标签:基于高斯伪标签的弱监督学习,用于在非对比CT中对圆状血管结构的细分
Qixiang Ma1, Adrien Kaladji1, Huazhong Shu2
1Univ Rennes, CHU Rennes, Inserm, LTSI - UMR 1099, F-35000 Rennes, France; Centre de Recherche en Information Biomédicale Sino-français (CRIBs), Univ Rennes, Inserm, Southeast University, F-35000 Rennes, France, Nanjing 210096, China.
Medical image analysis
|November 5, 2024
概括
这项研究引入了一种弱监督的深度学习方法,用于在非对比CT扫描中对血管结构进行细分,大大减少了标签时间并提高了与传统方法相比的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 在CT血管造影 (CTA) 中用于血管细分的深度学习有助于诊断.
- 非对比CT避免了对比剂的并发症,但面临着标记挑战.
- 模两可的血管界限和劳动密集型标签阻碍了在非对比CT中完全监督的学习.
研究的目的:
- 开发一种新的弱监督框架,用于非对比CT的自动血管细分.
- 为了解决手动标签和标签变化的局限性,在非对比CT扫描中.
- 为了提高细分,利用血管结构的圆形拓.
主要方法:
- 一个弱监督的框架,利用血管结构的圆拓.
- 一个高效的注释过程生成二维高斯热图作为伪标签.
- 一种训练策略,将voxel重建损失和分布损失与伪标签相结合.
主要成果:
- 弱监督方法在本地数据集上表现优于强标签完全监督的学习,将Dice的得分提高了1.54%并将标签时间减少了82.0%.
- 纳入无标签的外部数据进一步提高了性能 (2.74%的子得分增加) 缩短了标签时间 (66.3%).
- 在公开数据集中,伪标签提高了2D模型的子得分1.95%,并将3D模型的豪斯多夫距离减少了68%.
结论:
- 建议的弱监督框架有效地在非对比CT扫描中对血管结构进行细分.
- 这种方法显著减少了手工标签的努力和变化.
- 该方法显示了使用非对比CT成像进行增强计算机辅助诊断和干预的潜力.
