相关实验视频
Updated: May 26, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
348
使用半监督CNN和变压器集成的广场OCT体积细分
Syna Sreng1,2, Padmini Ramesh1,2, Pham Duc Nam Phuong3
1Singapore Eye Research Institute, Singapore National Eye Centre, Singapore City, Singapore.
Scientific reports
|February 24, 2025
概括
这项研究引入了一种新的半监督学习框架,用于广场光学连贯断层扫描 (OCT) 视网膜层细分. 该方法通过高效地使用标记和未标记的数据显著提高了准确性,优于现有的模型.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 广场光学连贯断层扫描 (OCT) 能够监测外围视网膜,但对准确的层分段构成挑战.
- 深度卷积神经网络 (CNN) 需要大量的注释数据,这限制了它们在复杂的医学成像任务中的应用.
研究的目的:
- 开发和评估一个先进的半监督学习框架,用于强大的广场视网膜层细分.
- 为了减少对大型手动注释数据集的依赖,用于OCT图像分析.
主要方法:
- 提出了一个半监督学习框架,将卷积神经网络 (CNN) 和变压器结合起来.
- 该模型在74个广场OCT扫描 (15x9毫米FOV) 的数据集上进行训练和评估,包括11750张标记和29016张未标记的图像.
- 性能与UNet基线进行比较,并使用临床光谱域OCT系统进行验证.
主要成果:
- 拟议的半监督方法在广场视网膜层细分方面表现出显著的改善,比UNet基线 (P < 0.001) 实现了高达11%的增强.
- 视网膜层厚度测量显示高相关性 (高达0.91) 与临床光谱域OCT系统 (P <0.001).
结论:
- 半监督学习,利用CNN和变压器之间的交叉教学,对于自动化广场OCT层分段非常有效.
- 这种方法增强了对外围视网膜变化的监测,并提高了视网膜层厚度测量的准确性.
