剪切拼图组合:脚指导医疗图像细分,没有细分面具

科学领域:

• 医学图像分析 医学图像分析
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 完全监督的细分算法对于人类解剖学的量化至关重要,但需要广泛的像素智能注释数据集.
• 创建完全注释的数据集是劳动密集和昂贵的,阻碍了深度神经网络的应用.
• 越来越需要有效的细分方法,利用有限的注释数据.

研究的目的:

• 探索用于像素智能细分网络的培训策略,仅使用涂注释.
• 在有限的数据场景中调查切割混合和拼图混合增强技术的有效性.
• 通过结合交叉的一致性损失来提高细分性能.

主要方法:

• 开发了培训策略,专门从涂注释中学习细分网络参数.
• 采用剪切混合和拼图混合数据增强技术,以最大限度地从有限的涂中获取信息.
• 集成一致性损失与交叉,以强制规范化和惩罚细分不一致性.

主要成果:

• 提出的方法在细分性能方面取得了显著的改进.
• 对心脏 (ACDC) 和MSCMR数据集的评估表明,与现有最先进的方法相比,其结果优越.
• 这种方法有效地利用有限的涂注释来准确地进行解剖细分.

结论:

• 训练深度神经网络用于医疗图像细分,仅使用涂注释是可行的和有效的.
• 先进的增强策略和一致性损失的结合显著提高了细分的准确性.
• 这项工作为减少医学图像细分中的注释负担提供了一个有希望的方向.