利用浅层特征和空间背景来对弱监督的脑内出血细分进行细分.

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 弱监督的语义细分 (WSSS) 用于脑内出血 (ICH) 诊断是由于图像级标签缺乏精确的位置信息而受到限制.
• 开发有效的WSSS方法对于改善自动化ICH细分和诊断至关重要.

研究的目的:

• 开发一种用于增强脑内出血细分的新方法,使用弱图像级标签.
• 为了提高ICH细分中的目标定位和轮检测的准确性.

主要方法:

• 提出了一个浅特征类激活地图 (CAM) 模块,以利用细粒度的浅特征进行准确的定位.
• 引入了一个空间上下文意识 (SCA) 模块,以结合空间上下文和完整的出血细分.
• 在大脑出血细分数据集 (BHSD) 和内出血检测和细分数据集 (BCIHM) 的CT图像上验证了该方法.

主要成果:

• 拟议的方法显著提高了ICH细分的准确性,将整个欧盟的平均交叉点 (mIoU) 从52.5%提高到69.8% (BHSD) 和50.1%提高到68.9% (BCIHM).
• 与其他WSSS方法相比,实现了优越的性能,达到88%和86%的完全监督的U-Net性能.
• 在错过和假阳性局部化中显著减少.

结论:

• 新的WSSS方法通过准确匹配病变位置和轮,有效地改善了脑内出血细分.
• 该方法减少了错过和错误的阳性定位,从而减少了放射科医生在创建像素级数据集中的工作量.