DFMF:利用光谱空间协同作用,通过双重任务特征采矿框架来对MR图像进行细分
Wenyan Zhong1, Zailiang Chen1, Hailan Shen1
1School of Computer Science, Central South University, No. 932, Lushan South Road, Changsha, 410083, Hunan Province, China.
概括
本研究介绍了一种双任务特征挖掘框架 (DFMF),用于自动磁共振 (MR) 图像细分. 这种新的方法通过利用未标记的数据和丰富的解剖信息来提高细分的准确性,优于现有的方法.
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:
- 磁共振 (MR) 图像的自动细分对于医疗应用,如瘤划分和病变跟踪至关重要.
- 传统的监督学习方法需要大量的注释数据,这是昂贵的和耗时的获取.
- 核磁共振图像具有固有的解剖信息,这些信息在改善细分性能方面仍未得到充分利用.
研究的目的:
- 开发一种新的框架,有效地利用MRI图像中固有的解剖信息,以增强细分.
- 通过整合自我监督和半监督学习模式,减少对大量注释数据集的依赖.
- 提高复杂解剖结构的特征表示的区分能力.
主要方法:
- 提出了一种双任务特征挖掘框架 (DFMF),可以同时执行图像绘制和细分.
- 引入了自相一致性损失,以强制执行inpainted和原始图像之间的一致性,最大限度地提高未标记数据的实用性.
- 采用混合感应场网络 (HRFNet) 骨干来捕获全球频域信息和精细的空间细节.
主要成果:
- 与最先进的方法相比,DFMF在四个MR图像数据集中实现了优越的细分性能.
- 双重任务机制有效地提取了更丰富,更具歧视性的特征表示.
- 废弃性研究证实了DFMF中的每个组成部分的显著贡献.
结论:
- 拟议的DFMF框架为自动化MR图像细分提供了一个强大的方法,特别是在注释数据有限的场景中.
- 通过双任务优化整合自主监督和半监督学习,可以提高特征表示和细分精度.
- HRFNet的骨干有效地平衡全球和本地特征提取,以提高性能.
