超声波图像中的弱监督的毛囊细分方法
Guanyu Liu1, Weihong Huang1,2,3, Yanping Li4,5
1Big Data Institute, Central South University, Changsha, 410083, China.
Scientific reports
|April 21, 2025
概括
这项研究引入了使用边界框的弱监督的卵泡细分方法,显著减少了对生育治疗监测的注释工作. 该方法与完全监督的方法相比,取得了具有竞争力的结果,有助于自动化卵泡发育分析.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 生殖健康 生殖健康
背景情况:
- 在超声波中精确的卵泡细分对于生育治疗至关重要.
- 对于监督学习的像素级注释是耗时且不切实际的.
- 标注的稀缺性阻碍了自动诊断工具的发展.
研究的目的:
- 开发一种弱监督的实例细分方法,用于超声波图像中的卵泡细分.
- 为了应对生殖健康成像中有限的注释数据的挑战.
- 为临床医生提供自动化工具来监测毛囊发育.
主要方法:
- 提出了弱监督的卵泡细分 (WSFS) 方法,这是一个单阶段弱监督的细分技术.
- 使用边界框作为大致的注释.
- 整合了一个卷积神经网络 (CNN) 骨干,具有特征金字塔网络 (FPN) 和多个实例学习 (MIL).
- 在公共 (USOVA3D) 和私人 (FUID) 数据集上评估了WSFS,并作为分割任何模型 (SAM) 的提示.
主要成果:
- 与完全监管方法相比,WSFS方法取得了竞争性表现.
- 实现了0.957的平均平均精度 (mAP),0.714的交叉与联盟 (IOU),0.83.8的子得分.
- 尽管使用了不那么详细的注释,但证明了有效的卵泡细分.
- 引入了毛囊超声波图像数据集 (FUID) 来解决数据稀缺问题.
结论:
- 使用边界框进行弱监督的实例细分是完全监督的卵泡细分方法的可行替代方案.
- 拟议的WSFS方法有效地对毛囊进行细分,并可以增强现有模型,如SAM.
- FUID数据集有助于推进生殖健康领域的计算机辅助诊断.
