DBANet:双边界意识与以信心为导向的伪标签用于医疗图像分割

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:

• 准确的医学图像细分对于临床应用至关重要,但受到阶级失衡和模糊边界的挑战.
• 医学成像中的半监督学习 (SSL) 被有限的标记数据所阻碍,加剧了细分困难.
• 现有的SSL方法往往无法有效利用边界信息,导致预测偏差和精度降低.

研究的目的:

• 开发一个先进的半监督学习框架,用于准确的3D多器官医学图像细分.
• 用有限的注释来解决医学图像细分中的阶级不平衡和边界模糊性的挑战.
• 为了提高SSL设置中的伪标签的可靠性和稳定性.

主要方法:

• 拟议的DBANet是一个双模型框架,包含以信任为导向的伪标签融合 (CPF) 以实现强大的伪标签生成.
• 引入了边界分布意识 (BDA),以根据边界分布动态调整类权重,减轻类不平衡.
• 实施边界模糊意识 (BVA) 通过优先考虑模糊的边界区域来完善细分.

主要成果:

• DBANet在基准数据集上的各种低数据制度中显示出子得分的显著改善.
• 在Synapse数据集上实现了3.56%,2.17%和5.12%的平均子得分增加,分别为10%,20%和40%的标记数据.
• 在WORD数据集上获得了1.72%,0.97%和0.65%的平均子得分改进,分别为2%,5%和10%的标记数据.

结论:

• 通过整合边界意识的自适应权重,DBANet有效地提高了半监督的3D多器官细分精度.
• 拟议的框架显示了在数据稀缺的临床场景中改善细分性能的强大潜力.
• 边界信息对于减轻阶级不平衡和提高SSL医学成像中的细分可靠性至关重要.