层次的多类群相关学习网络用于医疗图像分割

科学领域:

• 医疗图像分析 医学图像分析
• 机器学习是机器学习.
• 计算机视觉 计算机视觉 计算机视觉

背景情况:

• 层次方法对于多标签细分是有效的,但往往忽视了深层标签空间关系.
• 现有的方法可能只对浅层施加约束,限制细分精度.

研究的目的:

• 引入一种新的层次多类群相关学习 (HMGC) 方法.
• 通过考虑标签空间中的深层关系,克服现有的等级方法的局限性.
• 为了提高医疗成像任务中的细分精度.

主要方法:

• 在一个高维空间中,将区域约束转化为voxel向量相关性.
• 计算了一个voxel向量相关矩阵以分组voxel向量并减少差异.
• 引入了两个损失函数:类内组损失和类间组损失.

主要成果:

• 在BraTS2018,BraTS2019和BraTS2020数据集上证明了大脑瘤细分的有效性.
• 在BraTS2020数据集的总体得分中获得第一名.
• 在ACDC MICCAI'17挑战数据集上展示了心脏细分的竞争结果.

结论:

• HMGC有效地减轻了偏差传播,并提高了细分的准确性.
• 该方法在不同的医学成像数据集中显示出强大的性能和概括能力.
• HMGC代表了医疗应用层次多标签细分的重大进步.