ACEA-Net:通过高级提示点进行弱监督的前列腺3DMRI图像细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 前列腺3D MRI细分对于诊断和治疗计划至关重要.
• 手动切片式注释是耗时的,需要专门的专业知识.
• 现有的方法与不完整或杂的注释作斗争.

研究的目的:

• 开发一个高效和准确的弱监督的语义学习框架,用于前列腺3DMRI细分.
• 克服传统注释方法的局限性,提高细分性能.
• 引入一种新的种子扩张策略和注意力机制,以提高细分精度.

主要方法:

• 使用一个前景种子点和六个边缘放松点生成伪标签.
• 开发ACEA-Net,一个弱监督的语义学习细分框架.
• 实施种子集群地理距离转换 (SeedGeo) 进行种子扩张.
• 集成自适应卷积规范 (ACN) 和增强的简单无参数注意模块 (SimAM) 进行标签光滑和噪声抑制.
• 使用U-Net基线模型进行细分.

主要成果:

• 在MSD前列腺数据集上达到87.23%的Dice相似系数 (Dice),在PROMISE12前列腺数据集上达到81.00%.
• 对于各自的数据集,获得的平均对称面距离 (ASSD) 为1.73mm和2.02mm.
• 与前列腺MRI细分的当前最先进的方法相比,表现出卓越的性能.
• 通过SeedGeo战略有效地解决了伪标签的不足扩张问题.

结论:

• ACEA-Net为前列腺3DMRI细分提供了一种高效准确的解决方案.
• 拟议的弱监督的方法显著减少了大量手册注释的需要.
• 集成SeedGeo,ACN和SimAM模块可以提高细分的稳定性和准确性.
• 这一框架代表了前列腺癌评估的自动化医学图像分析的重大进步.