使用半监督学习的超声波细分:在临床医疗中心对萨科佩尼亚的评估中的应用
Hamza Rasaee1, Maryia Samuel2, Bahareh Behboodi1
1Department of Electrical and Computer EngineeringConcordia University Montreal QC H3G 1M8 Canada.
IEEE open journal of engineering in medicine and biology
|July 10, 2025
概括
这项研究引入了一种新的超声波图像细分的半监督学习方法,在有限的标记数据中显著提高了准确性. 这种方法提高了细分性能,特别是在数据稀缺的环境中.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 超声波成像对于医学诊断至关重要,但自动细分是困难的,特别是没有足够的标记数据.
- 准确的细分对于诸如萨尔科佩尼亚评估和紧急响应等应用至关重要.
- 现有的方法在有限的注释超声波图像的情况下扎.
研究的目的:
- 开发一种半监督学习方法,以提高超声波图像细分的准确性.
- 利用未标记的超声数据来提高细分性能.
- 为了应对医疗图像分析中有限的标记数据的挑战.
主要方法:
- 提出了一种基于编码器-解码器架构的半监督学习框架.
- 整合了对比式学习技术,以利用未标记的数据统计.
- 收集并利用患者和健康志愿者的超声波图像数据集.
主要成果:
- 拟议的方法在各种培训数据百分比 (1%至100%) 中显示出卓越的性能.
- 使用仅10%的标记数据,获得了与U-NET相似的结果.
- 在大多数培训套件分割中,显著优于U-NET,CCT和UniMatch等现有模型.
结论:
- 开发的半监督方法对超声波图像细分具有强大和高效.
- 这种方法在标记数据稀缺的情况下特别有效.
- 这项工作为改善自动化医疗图像分析提供了一个有希望的解决方案.
