专家指导和部分标记的数据协作,用于多机关细分

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 在CT扫描中腹部多器官细分对于临床应用至关重要.
• 目前的方法需要广泛的单一机构数据集或集中式的多机构数据,增加标签和收集负担.
• 单器官标签比多器官标签更容易获得和更具成本效益.

研究的目的:

• 开发一个高效的协作框架,用于使用部分标记数据进行多器官细分.
• 减少在医疗图像细分中对大型,完全注释的数据集的依赖.
• 提出一种有效利用单器官和多器官标签的方法.

主要方法:

• 提出了一个由专家指导和部分标记的数据协作框架 (EGPD-Seg).
• 引入了奖励-惩罚损失功能,以专注于单个器官目标并减轻未标记器官的影响.
• 开发了一个专家指导的模块,用于学习先前的知识,以从单个器官标记数据中对未标记的器官进行细分.

主要成果:

• 在部分标签设置下,EGPD-Seg证明了有效的多器官细分性能.
• 该框架在五个不同的腹部多器官细分数据集上得到了验证,包括内部和外部验证.
• 拟议的模块相互作用,以提高细分精度,使用有限的标签.

结论:

• EGPD-Seg为腹部多器官细分提供了有效的解决方案,并减少了注释要求.
• 单个和多器官标签之间的协作机制,在专家投入的指导下,显著提高了细分性能.
• 这种方法解决了医疗图像细分中的数据挑战,使其更适合临床使用.