半监督胎儿超声波图像分割的双向原型引导一致性约束

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的人工智能
• 胎儿医学 胎儿医学

背景情况:

• 精确的胎儿超声波 (US) 图像细分对于产前护理和手术规划至关重要.
• 对于胎儿美国细分的深度学习受到大型注释数据集稀缺的阻碍.
• 当前的方法在数据注释所需的时间和劳动力方面扎.

研究的目的:

• 开发一种高效的半监督方法用于胎儿美国图像细分.
• 克服医疗成像深度学习中数据注释的局限性.
• 提高人工智能在胎儿发育评估中的准确性和适用性.

主要方法:

• 提出了一种名为双向原型引导一致性约束 (BiPCC) 的新型半监督方法.
• 使用原型来弥合标记和未标记的数据,从而实现交互和一致性.
• 纳入基于不确定性的交叉监督以提高伪标签质量.

主要成果:

• 在半监督胎儿美国细分方面,BiPCC显著优于现有的最先进方法.
• 在各种医疗图像细分任务中表现出强大的概括能力.
• 在两个不同的胎儿美国数据集和两个额外的医学成像数据集上验证了性能.

结论:

• BiPCC方法为半监督的胎儿美国图像细分提供了一种新的方法.
• 该技术有效地利用有限的标记数据来提高细分精度.
• 这一进步为智能医疗保健和产前诊断带来了巨大的潜力.