UDA-GS:一个跨中心的多式无监督域适应框架,用于glioma细分
Zhaoyu Hu1, Yuhao Sun2, Liuguan Bian2
1School of Information Science and Technology, Fudan University, Shanghai, China.
Computers in biology and medicine
|December 5, 2024
概括
这项研究引入了用于质瘤细分的无监督域适应框架 (UDA-GS),提高了无手动标签的各种MRI数据的准确性. UDA-GS显著提高了多个中心的瘤细分性能.
科学领域:
- 神经瘤学神经瘤学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 质瘤是侵略性的脑瘤,需要精确的MRI细分才能进行有效的诊断和治疗.
- 现有的注释数据集,如BraTS,由于成像变异性,难以将其推广为多中心,无注释数据.
- 质瘤的透性质使手动标签和细分精度复杂化.
研究的目的:
- 开发一种新的无监督域适应框架,用于准确的质瘤细分 (UDA-GS).
- 为了在不同的,未注释的多中心数据集中实现强大的细分,而不需要本地注释.
- 提高人工智能模型用于脑瘤分析的概括能力.
主要方法:
- UDA-GS使用GliomaMix进行瘤混合和跨域特征对齐.
- 它利用自我监督的回归与生成的瘤信息来增强特征编码.
- 该框架整合了Mean-Teacher,加权一致性规范化,以及面具组合,以实现高效的适应.
主要成果:
- 与第二个最佳方法相比,UDA-GS获得了优异的Dice系数得分:18.2% (整个瘤),6.9% (瘤核心) 和4.6% (增强瘤).
- 在27个中心对1179个病例的评估表明,在没有本地注释的情况下,表现显著提高.
- 定性评估表明,与其他方法 (包括SAM) 相比,临床医生对UDA-GS细分的满意度更高.
结论:
- 在质瘤细分中,UDA-GS为无监督域适应提供了强大的解决方案.
- 该框架有效地解决了多中心研究中数据异质性带来的挑战.
- 在大脑瘤诊断和治疗规划方面,UDA-GS有望改善临床工作流程.
