基于Segment Anything模型和半监督的教师-学生模型的口腔CBCT图像的细分方法
Jianhong Gan1,2,3,4, Runqing Kang1,2,3, Xun Deng1
1College of Software Engineering, Chengdu University of Information Technology, Chengdu, China.
Medical physics
|May 9, 2025
概括
新的SAM-TS方法通过将分段任何模型 (SAM) 与教师-学生 (TS) 方法相结合,增强口腔CBCT图像细分. 这提高了准确性和概括性,解决了医学成像中的数据限制.
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:
- 精确的口腔圆束计算机断层扫描 (CBCT) 图像的细分对于临床诊断和研究至关重要.
- 挑战包括不规则的牙边界和有限的标记数据,阻碍了细分模型的概括.
- 分段任何模型 (SAM) 提供了强大的概括,而教师-学生 (TS) 模型在半监督学习方面表现出色.
研究的目的:
- 开发一种改进的口服CBCT细分方法,SAM-TS,将SAM与TS模型集成在一起.
- 为了利用低级调整 (LoRA) 在有限的口腔CBCT数据上高效地微调SAM.
- 精确分离各种口腔组织,包括牙,肉,骨和血管.
主要方法:
- 微调SAM使用改进的LoRA策略,以有效利用未标记的CBCT图像.
- 通过微调SAM和教师模型进行协作伪标签生成,然后使用基于数据增强的Mean Intersection over Union (MIoU) 方法进行过.
- 使用过的伪标签和参数更新通过指数移动平均 (EMA) 进行学生模型的代训练,以提高教师模型.
主要成果:
- 与基线方法相比,SAM-TS实现了超过6.48%的显著的整体平均交叉点对欧盟 (MIoU) 的改善.
- 牙细分MIoU增加了至少10% (最低) 和27.32% (最高).
- 骨分段MIoU的最小和最大增加分别为7.9%和32.44%,改善了整体分段的豪斯多夫距离和Dice系数.
结论:
- 在CBCT图像细分方面,SAM-TS表现出比现有的半监督方法更高的性能.
- 这种方法有效地克服了医学成像中的数据注释瓶.
- 本书提出了一种具有竞争力和高效的半监督学习策略,用于医学图像分析.
