区域不确定性估计医疗图像分割与噪音标签的区域不确定性估计

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:

• 对于3D医疗图像细分的深度学习需要大量的注释数据,这是昂贵和耗时的.
• 像SAM这样的基础模型提供稀疏的注释功能,但与表现出模糊边界的器官斗争.
• 现有的方法在医疗图像细分任务中强大处理噪音标签时面临挑战.

研究的目的:

• 开发一个区域不确定性估计框架,用于计算机断层扫描 (CT) 图像分段使用噪音标签.
• 为了减轻不完美的注释的影响,并降低医疗图像注释的成本.
• 在低资源和远程场景中提高细分模型的性能.

主要方法:

• 建议采用样本分层的培训策略,在每个阶段优先考虑高质量的信息.
• 一个以边界为导向的区域不确定性估计模块旨在评估样本信心.
• 样本到voxel级处理用于将可靠的监督信息传播到噪音数据中.

主要成果:

• 拟议的方法在各种噪音条件下,在多个CT数据集中,与现有方法相比,显示出更高的性能.
• 该框架有效地减轻了噪音注释对细分精度的影响.
• 在注释不完善的场景中观察到细分性能的显著改善.

结论:

• 开发的框架为带有噪音标签的医疗图像细分提供了可靠的标签传播策略.
• 这种方法降低了注释成本,并使强大的模型训练成为可能,提高了细分性能.
• 这项研究为在资源有限的环境中应用医疗细分基础模型铺平了道路.