通过自我监督的变异自编码器进行高效的少数镜头医疗图像细分
Yanjie Zhou1, Feng Zhou1, Fengjun Xi2
1School of Artificial Intelligence, Beijing University of Posts and Telecommunications, Beijing, 100876, China.
Medical image analysis
|May 31, 2025
概括
通过数据增强和自我监督学习,EFS-MedSeg改善了少数镜头医疗图像细分. 这种新的方法提高了准确性和稳定性,实现了与完全监督的方法可比的性能.
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:
- 少数拍摄的医疗图像细分通常采用联合注册和细分模型.
- 登记中的空间错位可能会损害细分的准确性和质量.
研究的目的:
- 开发一个端到端的模型,EFS-MedSeg,用于增强少数镜头医疗图像细分.
- 用数据增强和自我监督学习来解决注册错位导致的不准确性.
主要方法:
- EFS-MedSeg使用了两个有标签的地图集和一些没有标签的图像.
- 采用3D随机区域切换策略来增强地图库,以提高概括性和防止过度拟合.
- 包含一个变化自编码器用于加权重建和一个自我对比模块,用于以解剖学先验为指导的特征提取.
主要成果:
- 在多模式医疗图像数据集上,EFS-MedSeg的性能与完全监督的方法相美.
- 超过第二最佳方法的1.4% (OASIS),9.1% (BCV) 和1.1% (BCH).
- 突出了各种医学成像数据集的稳定性和适应性.
结论:
- EFS-MedSeg提供了一个强大而准确的解决方案,用于为数次拍摄的医疗图像细分.
- 该模型在数据增强和自我监督学习方面的改进有助于提高细分精度和边界流性.
- 该方法显示了在低数据系统中推进医疗图像分析的巨大潜力.
