自主监督的3D医疗图像细分通过流动引导的面具传播学习学习.
Adeleh Bitarafan1, Mohammad Mozafari2, Mohammad Farid Azampour3
1Sharif University of Technology, Tehran, Iran; Computer Aided Medical Procedures, Technical University of Munich, Munich, Germany.
Medical image analysis
|February 18, 2025
概括
Flow2Mask通过使用自我监督的面具传播 (SMP) 来增强3D医疗图像细分,以减少手动注释. 这种新的方法提高了从单个切片注释细分体积数据的准确性和效率.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机视觉 计算机视觉
背景情况:
- 手动注释3D医学图像是深度学习细分的耗时瓶.
- 现有的自我监督面具传播 (SMP) 方法往往忽视体积上下文,依赖于二维信息.
- 像Vol2Flow这样的先前方法在捕获本地和全球信息方面存在局限性,导致错误积累.
研究的目的:
- 引入Flow2Mask,一种新的SMP方法,以克服先前方法的局限性.
- 通过在课程学习中使用Local-to-Global (L2G) 损失来改善跨切片流域的无监督学习.
- 为了提高细分精度和减少3D医学成像中的注释负担.
主要方法:
- 开发了Flow2Mask,这是一种用于3D医学图像细分的新型自我监督面具传播方法.
- 引入了Local-to-Global (L2G) 损失,用于跨切片流域的无监督学习,并纳入了课程学习.
- 实现了切片间光滑性 (ISS) 损失,以实现一致和连续的切片对切片变化和自动切片选择策略.
主要成果:
- 在腹部数据集 (Sliver,CHAOS,3D-IRCAD) 上,Flow2Mask显著优于之前的SMP方法.
- 实现了与Vol2Flow相比,子相似度系数 (DSC) 的平均改善,为+2.1%,+8.2%和+4.0%.
- 当作为面具完成工具用于弱监督和自我监督的少数镜头细分时,证明了实质性的收益.
结论:
- 通过利用体积上下文和改进的损失函数,Flow2Mask有效地解决了以前的SMP方法的局限性.
- 该方法为3D医疗图像细分提供了更准确,更有效的解决方案,减少了手动注释工作.
- Flow2Mask为医学图像分析提供了宝贵的贡献,并提供了可用于进一步研究的代码.
