相关实验视频
Updated: May 28, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
353
一种半监督的域适应方法,具有规模意识和全球-本地融合,用于腹部多器官细分
Kexin Han1, Qiong Lou1, Fang Lu1
1School of Science, Zhejiang University of Science and Technology, Hangzhou, China.
Journal of applied clinical medical physics
|February 10, 2025
概括
本研究引入了一种新的半监督域适应 (SSDA) 方法,用于腹部多器官细分. 该方法通过有效捕捉多个规模和全球特征来提高准确性,即使使用有限的标记数据.
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:
- 腹部多器官细分具有挑战性.
- 现有的半监督域调整 (SSDA) 基于网络的框架与多个规模和全球信息作斗争.
- 目标域中的有限的标记数据阻碍了性能.
研究的目的:
- 为准确的腹部多器官细分提出一种新的SSDA方法.
- 改善捕获多尺度特征和整合本地/全球信息.
- 以有限的标记目标域数据实现卓越的性能.
主要方法:
- 一个基于UNet的网络,包含一个具有规模意识的域特定批量规范化 (SAD) 模块,用于多级特征提取.
- 全球-本地融合 (GLF) 模块在瓶中整合本地和全球信息.
- 整合到自组装平均教师 (SE-MT) 框架中,以增强跨领域的特征学习.
主要成果:
- 在CHAOS数据集上获得了88.97%的平均子相似系数 (DSC) 和1.12mm的平均表面距离 (ASD),标记数据为20%.
- 在BTCV数据集上获得了88.95%的平均DSC和1.13毫米的ASD,标记数据为20%.
- 与最先进的方法相比,显著改善,DSC和ASD的增加高达0.72%和0.33毫米 (CHAOS),1.29%和0.06毫米 (BTCV).
结论:
- 拟议的SSDA方法有效地提取了腹部多器官细分的多规模和全球特征.
- 该方法显著提高了细分的准确性和稳定性,特别是在有限的标记数据.
- 在SE-MT框架内,新的SAD和GLF模块有助于提高性能.
