一个半监督的断裂注意模型,用于细分管状物体,并改进了拓连接
Yanfeng Zhou1,2, Liqun Zhong1,2, Zichen Wang1,2
1School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing 100049, China.
Bioinformatics (Oxford, England)
|January 12, 2025
概括
本研究引入了一种半监督的骨折注意模型 (SSFA),通过增强连接性和减少骨折来改善管状物体的细分. 为了更好地评估,SSFA提供了一种新的骨折率指标,优于现有的方法.
科学领域:
- 医疗图像分析 医学图像分析
- 计算机视觉 计算机视觉 计算机视觉
背景情况:
- 管状结构的准确细分对于医学成像分析至关重要.
- 目前的深度学习方法在连接和断裂方面扎,由于依赖标记数据,限制了可扩展性.
研究的目的:
- 开发一种半监督模型,增强连接性,减少管状物体细分中的断裂.
- 引入一种用于定量评估细分断裂的新指标.
主要方法:
- 提出了一种半监督的断裂注意模型 (SSFA) 用于管状物体细分.
- 开发了一个新的评估指标,骨折率,以评估细分质量.
主要成果:
- 与最先进的方法相比,SSFA显示了更好的连接性和更少的骨折.
- 该模型在四个公共数据集中实现了卓越的拓性能.
- 断裂率指标提供了对细分断裂的直观定量评估.
结论:
- SSFA有效地解决了当前管状物体细分的局限性,特别是在连接和断裂方面.
- 拟议的断裂率指标为评估细分质量提供了有价值的工具.
- 开发的模型和度量推进了对管状结构的医疗图像分析领域.
