一个双分支网络与混合和自我监督的医疗图像细分:一个应用细分胀脂肪组织的应用
Jianfei Liu1, Omid Shafaat1, Ronald M Summers1
1Imaging Biomarkers and Computer-Aided Diagnosis Laboratory Radiology and Imaging Sciences, Clinical Center National Institutes of Health, Bethesda, MD, USA.
Medical image learning with limited and noisy data : second international workshop, MILLanD 2023, held in conjunction with MICCAI 2023, Vancouver, BC, Canada, October 8, 2023, proceedings. MILLanD (Workshop) : (2nd : 2023 : Vancouver, B...
|April 24, 2025
概括
这项研究引入了一个双分支网络,以提高医疗图像细分精度,用于分布外 (OOD) 患者数据. 该方法通过结合强有力的和弱的标签来改善细分,提高了对具有挑战性的临床数据集的性能.
科学领域:
- 医疗图像分析 医疗图像分析
- 计算机辅助诊断是一种计算机辅助的诊断.
- 机器学习在医疗保健中的应用
背景情况:
- 在临床应用中,细分精度通常会降低,因为OOD患者数据没有分布.
- 现有的方法,如转移学习或半监督学习,具有有限的强烈标签,可能会因数据集小而过度匹配.
研究的目的:
- 开发一个新的双分支网络,以改善OOD医疗数据的细分.
- 从现有模型中利用强大的手动标签和弱的标签来提高细分精度.
主要方法:
- 开发了一个双分支网络,共享一个编码器和两个解码器,以处理强和弱标签.
- 混合监督将指导从强解码器转移到弱解码器,并稳定了强解码器.
- 弱标签通过自我监督和来自强解码器的细分口罩来代地改进.
主要成果:
- 双分支网络应用于40名患有的脂肪组织细分,这是一个OOD数据集.
- 提出的方法显著提高了细分的准确性,与交叉超过联盟 (IOU) 从60.1%增加到71.2% (p <0.05).
- 与两个基线方法相比,获得了更高的准确性.
结论:
- 双分支细分网络在临床环境中有效处理OOD数据.
- 混合和自我监督策略显示出改善医疗图像细分精度的巨大潜力.
- 这种方法为加强对具有挑战性的,代表性不足的患者数据的细分提供了有希望的解决方案.
