通过基于CT的级联深度学习,对可靠的3D肺部感染细分进行点注释监督
Yuetan Chu1, Jianpeng Wang2, Yaxin Xiong2
1Center of Excellence for Smart Health (KCSH), King Abdullah University of Science and Technology (KAUST), Thuwal, Saudi Arabia.
Computers in biology and medicine
|February 9, 2025
概括
这项研究引入了一种新的点注释框架,用于CT扫描中细分肺部感染. 该方法显著提高了准确性,使用更少的手动标签,超过现有的低监督技术.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 放射学 放射学是一门学科.
背景情况:
- 肺部感染细分对于诊断和治疗监测至关重要.
- 大数据集的手动注释是劳动密集和耗时的.
- 现有的弱监督的方法难以应对肺部感染成像的复杂变异.
研究的目的:
- 开发一个使用稀疏点注释的肺部感染细分的弱监督框架.
- 为了应对诸如高可变性,模两可的界限和3D医疗图像中对比度差等挑战.
- 为了实现与完全监督的方法可比的高性能,并减少了注释工作.
主要方法:
- 使用稀疏注释的级联点注释框架.
- 基于点对点和全球不确定性的调整策略.
- 一个增强模块,用于解剖感知和空间异型适应.
- 一个具有纹理意识的变化模块,用于一致的边界划分.
主要成果:
- 在一个大数据集 (1,072 CT卷) 上,在子得分方面,超出了最先进的弱监督方法的3%-6%.
- 在外部数据集上实现了与完全监督的方法可比的性能.
- 在未见的感染亚型 (Mycoplasma pneumoniae) 上表现出强大的性能.
结论:
- 拟议的框架为肺部感染细分提供了高度有效和高效的解决方案.
- 它显著降低了注释负担,同时保持了高准确度.
- 该方法在新出现的肺部感染中具有广泛的适用性.
