一个半监督的膀壁和瘤的多区域细分框架与墙壁增强的自我监督的预训
Jie Wei1,2, Yao Zheng1, Dong Huang1,2
1School of Biomedical Engineering, Air Force Medical University, No. 169 Changle West Road, Xi'an 710032, China.
Bioengineering (Basel, Switzerland)
|January 8, 2025
概括
这项研究引入了一种新的半监督框架,用于在MRI扫描中对膀癌和膀壁进行细分,从而提高了有限数据的准确性. 该方法增强了膀壁的区分,并实现了高细分性能,有助于临床决策.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 膀癌在MRI中的细分对于治疗决策至关重要.
- 有限的高质量的注释数据阻碍了数据驱动细分的准确性.
- 区分膀壁和瘤对放射科医生来说是一个挑战.
研究的目的:
- 利用有限的注释和未标记的MRI数据,开发一个半监督的膀壁和瘤细分框架.
- 用自我监督的预训练来增强膀壁的歧视.
- 为了改善膀癌的整体细分性能.
主要方法:
- 一个半监督的多区域框架,包括墙壁增强的自我监督的预培训.
- 利用有限的注释和未标记的数据进行细分.
- 引入了对比一致性和重建观测损失,自适应性学习速率和后处理技术.
主要成果:
- 达到了0.8351的平均子相似系数 (DSCs) 膀壁和0.9175的瘤.
- 证明有效地减少了膀外的细分器件.
- 展示了细分结果的改善临床意义.
结论:
- 拟议的半监督框架在MRI中有效地对膀壁和瘤进行细分.
- 该方法利用有限的注释数据和未标记的数据来提高性能.
- 结果表明,对于膀癌的诊断和治疗规划,其临床实用性有所提高.


