粗为细:边界框监督甲状腺超声波图像细分使用空间排列和层次预测一致性

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:

• 弱监督学习对医学图像细分具有吸引力,但由于损坏的低级特征,在甲状腺超声图像中难以精确划分边界.
• 现有的方法往往过度适用于标注较弱的区域,无法准确地细分目标.

研究的目的:

• 为优化医疗图像细分提出一种新的双分支弱监督学习框架.
• 为了提高语义特征的空间分布校准,使用粗略的界限框指导.
• 为了提高甲状腺和结节细分的准确性.

主要方法:

• 一个双分支的框架校准语义特征,以合理的空间分布在边界框面罩指导下.
• 空间布局一致性分支比较最大激活,以测量目标定位的合理性.
• 层次预测一致性分支使用原型来量化语义特征感知理性.

主要成果:

• 拟议的模型在甲状腺和结节细分方面优于现有的弱监督方法.
• 性能相当于完全监督的方法,显著减少了注释时间.
• 该方法有效地考虑了目标位置和语义特征分布的合理性.

结论:

• 双分支框架为医学成像提供了一个强大的弱监督的细分战略.
• 这种方法增强了基于深度学习的甲状腺超声波细分的临床适用性.
• 它通过解决现有方法的局限性来准确地划出目标边界.