在线自我蒸和自我建模用于3D脑瘤细分的3D脑瘤细分

科学领域:

• 医学图像分析 医学图像分析
• 人工智能在医学中的应用

背景情况:

• 监督的大脑瘤细分面临挑战,因为有限的高质量标记数据.
• 数据隐私,成本和道德问题限制了标记医疗数据集的可用性.

研究的目的:

• 介绍一种新的培训框架,MOD (蒙面在线蒸),以改进有限数据的脑瘤细分监督学习模型.
• 为了提高现有的细分模型的有效性,而不会影响推理过程中的计算效率.

主要方法:

• 在监督学习框架中集成一个插件和游戏组件,MOD.
• MOD使用在线标记器和密度预测器,可以在掩盖的补丁上进行自蒸和自建模.
• 该组件在推断过程中被排除在外,以保持计算效率.

主要成果:

• 用MOD增强的模型在3D脑瘤细分任务中表现出卓越的性能.
• 在BraTS 2021和MSD 2019任务-01脑瘤数据集上观察到子系数和HD95分数的显著改善.
• 与领先的3D脑瘤细分基线相比,这种方法取得了更好的结果.

结论:

• 拟议的MOD框架有效地解决了大脑瘤细分中的有限标记数据的挑战.
• MOD提供了一种计算效率高的方法来提高监督细分模型的性能.
• 这种方法有望在资源有限的情况下推进自动化医疗图像细分.