多尺度多对象半监督一致性学习用于超声图像细分的超声图像细分
Saidi Guo1, Zhaoshan Liu2, Ziduo Yang3
1School of Cyber Science and Engineering, Zhengzhou University, Zhengzhou 450002, China; School of Computer and Artificial Intelligence, Zhengzhou University, Zhengzhou 450001, China.
概括
超声波图像分割的半监督学习 (SSL) 得到了我们新的MSMO框架的改进. 它有效地融合了多个规模的上下文和空间信息,减少了临床工具的手动注释负担.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 超声波图像的手动注释是耗时且资源密集的.
- 半监督学习 (SSL) 利用未标记的数据来提高模型性能,而标记的数据有限.
- 现有的SSL方法难以融合多层次的上下文信息,并在多对象分割中处理空间偏差.
研究的目的:
- 引入一个新的半监督学习框架,MSMO,以改进超声波图像细分.
- 为了应对SSL中多层次上下文融合和多对象空间信息偏差的挑战.
- 为了减少超声波图像分析中的手动注释负担.
主要方法:
- 开发了一个基于一致性学习的多规模多对象 (MSMO) 半监督框架.
- 采用了具有注意模块的上下文感知编码器,用于多级特征提取.
- 使用HConvLSTM解码器进行对象校准和递归多对象语义融合.
- 应用一致性约束来最大限度地减少变化,并改善不确定的地区的预测.
主要成果:
- 拟议的MSMO框架在四个基准数据集上显著超过了基准SSL方法.
- 在单对象和多对象超声波图像分割任务中实现了卓越的性能.
- 证明了多层次上下文和空间信息的有效融合.
结论:
- MSMO为自动超声波图像细分提供了一个有前途的解决方案,减少了对手工注释的依赖.
- 该框架显示出作为医学图像分析临床工具的巨大潜力.
- 开发的MSMO框架提高了超声波图像细分的效率和准确性.
