通过关联信息增强和混合伪面具生成单片半监督的3D医疗图像细分

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:

• 3D医学图像细分需要大量的标记数据,这在时间和专业知识方面带来了挑战.
• 由于复杂的3D数据结构,现有的半监督方法仍然需要高成本.

研究的目的:

• 开发一种强大的3D细分方法,使用极其简化的注释 (每卷单片).
• 为了减轻3D医疗图像细分所需的高成本和专业知识.

主要方法:

• 提出了相关性增强的3D细分模型 (CE-Seg),通过挖掘交叉切片,空间和尺度相关性来理解单片监督的3D目标.
• 推出了混合3D伪面具生成器 (Hy-Gen),结合了基于学习和无学习的策略,可靠地生成伪面具.
• CE-Seg使用动态切片滚动,放下然后恢复任务,以及双向级联注意力来进行功能丰富和融合.

主要成果:

• 拟议的方法实现了最先进的性能,在子得分方面至少比八种半监督方法高出3%.
• 该方法在多个数据集中表现出与完全监督的同行相当的性能.
• 在三个公共和一个内部数据集上验证,证实了稳定性和有效性.

结论:

• 开发的方法为3D医疗图像细分提供了具有成本效益和高效的解决方案.
• 简化注释策略可以显著减少医疗成像中的数据标签负担.
• 该方法有望改善临床环境中3D细分的可访问性和应用.