通过在U形网络中的双自蒸进行体积医疗图像分割

科学领域:

• 医学图像分析 医学图像分析
• 对于医学成像的深度学习
• 计算机视觉 计算机视觉

背景情况:

• U型网络对于医疗图像细分非常有效.
• 现有的方法在捕捉复杂的解剖细节方面可能存在局限性.

研究的目的:

• 为U形网络引入一种新的双自蒸 (DSD) 框架.
• 为了提高体积医学图像细分性能.

主要方法:

• 提出了一个双自蒸 (DSD) 框架,集成到U形网络中.
• DSD将知识从基础真理标签蒸到解码层和网络层之间.
• 将DSD应用于最先进的U形脊柱,用于3D医学图像细分.

主要成果:

• 子相似度得分显著改善 (心脏病的平均增加为2.82%,脑瘤的4.53%,海马体的1.3%).
• 减少了豪斯多夫距离 (心脏的平均减少7.15毫米,脑瘤的6.48毫米,海马的0.76毫米).
• 在参数和培训时间的微不足道增加下实现了这些收益.

结论:

• DSD框架是一种可通用的培训策略,可以提高U型网络的性能.
• DSD 导致了对各种3D医疗图像进行细分的大量和质量改进.
• 拟议的方法提供了一种计算效率高的方法,以提高医疗图像细分的准确性.