无监督的3D肺部细分通过利用2D细分的任何模型

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:

• 肺部细分对于肺结节检测和癌症分析至关重要.
• 深度学习在医学图像分析方面表现出色,但需要大量的注释数据,这在医学成像中很少.
• 现有的肺部细分监督方法需要精确的基底真相注释.

研究的目的:

• 为CT数据开发一种无监督的3D肺部细分方法.
• 为了实现这一任务,利用基础的二维分段任何模型 (SAM) 的功能.
• 消除在训练3D肺部细分模型时需要手动注释的需要.

主要方法:

• 利用2D分段任何模型 (SAM) 来从单个CT切片中生成初始的2D肺口罩.
• 通过将同一3DCT扫描中的多个2D口罩集成,重建了3D肺部口罩.
• 使用这些重建的3D口罩以完全无监督的方式训练了一个3D肺部细分模型.

主要成果:

• 拟议的无监督3D肺部细分模型的性能与LUNA16数据集上的监督方法相当.
• 与传统的监督培训相比,无监督方法在细分结果中表现出更高的稳定性.
• 成功生成了3D肺部口罩,而不依赖于任何地面真相注释.

结论:

• 无监督的3D肺部细分是可行的和有效的,利用基础的2D模型,如SAM.
• 这种方法显著减少了对医疗成像中繁重的手动注释过程的依赖.
• 开发的技术为临床应用中强大而稳定的肺部细分提供了一个有希望的替代方案.