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.

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.