用MaskMix锡安人网络监督医疗图像细分的形状意识对抗学习:心脏MRI细分的案例研究
Chen Li1, Zhong Zheng1, Di Wu1
1College of Computer Science and Technology, National University of Defense Technology, Changsha 410073, China.
Bioengineering (Basel, Switzerland)
|November 27, 2024
概括
这项研究介绍了MaskMixAdv,这是一种新的框架,可以增强涂监督的医疗图像细分. 它实现了与细粒度注释相当的准确性,同时大大减少了注释时间和成本.
科学领域:
- 医疗图像分析 医学图像分析
- 用于医学成像的深度学习
- 计算机视觉在医疗保健中的应用
背景情况:
- 拼写注释提供了高效的医疗图像细分,但往往牺牲了精度.
- 深度学习模型需要精确的细分面具以获得最佳性能.
- 弥合粗略和细粒度注释之间的差距对于医学中的实际AI至关重要.
研究的目的:
- 为了提高草监督的细分精度,以匹配细粒度的注释水平.
- 在注释约束下,为医疗图像细分开发一个标签效率高的学习框架.
- 为了减少与手动细粒度注释相关的大量时间和成本.
主要方法:
- 介绍了MaskMixAdv,一个形状意识的涂监督学习框架.
- 在数据增强和伪标签生成方面采用基于混合的掩盖策略.
- 利用双分支的米网络来生成细粒度的伪标签.
- 整合了一个基于CNN的区分器,用于使用未配对的面具来改进伪标签轮.
主要成果:
- 与最先进的方法相比,MaskMixAdv在心脏MRI数据集上表现出更高的性能.
- 该框架显著缩小了涂和面具监督细分之间的性能差距.
- 实现了95%的注释时间减少,而子性能仅略有2.6%的下降.
结论:
- 通过MaskMixAdv增强的高效涂注释,可以产生高医疗图像细分精度.
- 拟议的方法大大减少了繁的细粒度注释的需要.
- MaskMixAdv为基于深度学习的医疗图像细分提供了一个具有成本效益和实用的解决方案.
