半监督强力教师一致性学习为少数拍摄的心脏MRI图像分割的学习
Yuting Qiu1, James Meng2, Baihua Li1
1Department of Computer Science, Loughborough University, LE11 3TU, Leicestershire, UK.
Computer methods and programs in biomedicine
|February 2, 2025
概括
一种新的半监督学习方法提高了心脏MRI细分的准确性,即使有有限的标记数据. 这个强大的教师一致性网络利用未标记的数据来更好地诊断心血管疾病.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心脏病学 心脏病学
背景情况:
- 心血管疾病是全球主要的健康问题.
- 在MRI中精确细分心脏结构对于诊断至关重要.
- 对细分的监督学习需要大量的标记数据,这对于心脏MRI来说很少.
研究的目的:
- 开发用于心脏MRI细分的半监督学习模型.
- 为了应对心脏MRI分析中有限的标记数据的挑战.
- 为了提高自动心脏MRI细分的准确性和效率.
主要方法:
- 引入了一种新型的半监督的强大教师一致性网络,用于几次射击的多类心脏MRI细分.
- 采用学生-教师架构与多教师结构,以捕捉不同的观点.
- 利用混合损失功能,结合一致性和监督损失,以及功能空间虚拟对抗训练.
主要成果:
- 拟议的模型在MM-WHS和ACDC数据集上表现优于九种最先进的半监督方法.
- 在MM-WHS上达到90.14%的准确率,标签为25%,在ACDC上达到78.45%的准确率,标签为1%.
- 与完全监督和单个教师的方法相比,表现优越,特别是在注释有限的情况下.
结论:
- 强大的教师一致性网络有效地利用未标记的数据进行强大的心脏MRI细分.
- 这种方法在有限的注释数据的少数场景中显著提高了细分精度.
- 该模型为自动心脏MRI分析提供了一个有希望的解决方案,有助于心血管疾病诊断.
