帮助网:等级扰动一致性和导向组合用于涂监督的医疗图像分割
Xiao Zhang1, Shaoxuan Wu1, Peilin Zhang1
1School of Information Science and Technology, Northwest University, Xi'an, China.
Medical image analysis
|July 22, 2025
概括
医疗图像细分通过HELPNet进行了改进,HELPNet是一个使用有限的草注释的新框架. 这种方法降低了成本,并提高了器官划分的准确性,实现了与完整注释相当的结果.
科学领域:
- 医学图像分析 医学图像分析
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 完全注释医疗图像进行细分是耗时且昂贵的.
- 草注释提供了一种经济有效的替代方案,但缺乏详细信息来准确划分器官.
研究的目的:
- 介绍HELPNet,一个新的基于涂的弱监督细分框架.
- 在医学成像中弥合注释效率和细分性能之间的差距.
主要方法:
- 在HELPNet中集成了层次性扰乱一致性 (HPC) 以实现多级特征学习.
- 以透为导向的伪标签 (EGPL) 模块基于预测信心生成高质量的伪标签.
- 结构先行精制 (SPR) 模块通过连接和边界信息来改进伪标签.
主要成果:
- HELPNet显著优于现有的基于涂的弱监督细分方法.
- 在ACDC,MSCMRseg和CHAOS数据集上实现了与完全监督的细分技术相当的性能.
结论:
- HELPNet提供了一种高效和有效的解决方案,用于使用弱监督的医疗图像分割.
- 该框架展示了将等级扰动,引导的伪标签和结构先验相结合的潜力,以提高细分精度.
