弱监督的甲状腺超声波细分:利用多尺度的一致性,上下文特征和界限框监督来准确地划分目标

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 弱监督学习 (WSL) 对于医疗图像细分至关重要,但由于注释有限,难以精确划分边界.
• 甲状腺超声波图像带来了诸如低对比度和杂的背景等挑战,加剧了细分困难.

研究的目的:

• 为甲状腺超声波图像开发一种新的弱监督细分框架.
• 为了提高细分精度和边界划分,同时减轻过度适应边界框注释.

主要方法:

• 提出了一个整合空间布局一致性 (SAC),层次预测一致性 (HPC),上下文特征集成 (CFI) 和多尺度原型改进 (MPR) 模块的框架.
• SAC确保了空间对齐,HPC完善了区域原型,CFI整合了上下文特征,MPR平衡了全球和本地细节.

主要成果:

• 在TG3K和TN3K甲状腺超声波数据集上取得了卓越的性能.
• 在TG3K上,在整个欧盟 (mIOU) 上的高平均交叉率为71.85%和85.92%的子相似系数 (DSC).
• 在数据集中报告了改进的边界划分 (HD95) 和竞争性的精度 (PR) 和灵敏度 (SE).

结论:

• 拟议的框架有效地解决了缺少监督的甲状腺超声波细分方面的挑战.
• 该方法提供了一个实际的解决方案,通过减少注释时间和实现与完全监督的方法相比的性能.