相关实验视频
Updated: Sep 14, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
523
艾莫斯:部分监督的框架腹部多器官和瘤细分通过方面意识的补充框架
Zengmin Zhang1, Yanjun Peng1, Xiaomeng Duan1
1Shandong University of Science and Technology, School of Computer Science and Engineering, Qingdao 266590, China.
Artificial intelligence in medicine
|July 24, 2025
概括
精确的腹部器官和瘤细分对于患者护理至关重要. 新的AMOTS框架通过使用专业网络和高级培训策略的级联方法来提高准确性,特别是在有限的数据中.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 准确的腹部器官和瘤细分对于手术和放射治疗等临床应用至关重要.
- 挑战包括器官/瘤多样性和部分标记的数据集,阻碍了细分精度.
- 现有的方法经常解决缺失的标签,但忽视了网络层面的改进.
研究的目的:
- 引入AMOTS,用于精确腹部多器官和胰癌瘤细分的级联框架.
- 为了提高特征提取和细分精度,特别是在具有有限标签的具有挑战性的场景中.
- 通过新的培训策略,提高未标记类的认可度.
主要方法:
- 一个级联框架,使用轻量级的卷积网络进行初始定位.
- 用于细分的两个视角识别互补网络 (AACNet),包括方向分离聚焦模块 (DSFM) 和多视图切片交叉注意模块 (MVSCM).
- 模糊性硬挖矿和伪标签监督策略,以解决标签不平衡并增强无标签类别的识别.
主要成果:
- 与大型公共数据集 (FLARE2023和MOTS) 上的现有方法相比,AMOTS显示出更高的细分精度.
- 拟议的DSFM和MVSCM模块有效地改善了边界识别和全球互动.
- 模两可的硬挖矿和伪标签监督策略在不平衡的数据集上提高了性能.
结论:
- AMOTS框架在腹部多器官和瘤细分方面取得了重大进展.
- 新的AACNet架构和培训策略有效地解决了细分挑战,包括数据稀缺和不平衡.
- AMOTS为需要精确医疗图像分割的临床应用提供了强大而准确的解决方案.
