多面性一致性学习与积极的交叉标签,用于几乎没有监督的3D医学图像细分
Xinyao Wu1, Zhe Xu1, Raymond Kai-Yu Tong1
1Department of Biomedical Engineering, The Chinese University of Hong Kong, Shatin, NT, Hong Kong, China.
Medical image analysis
|August 1, 2025
概括
这项研究引入了一个新的框架,用于3D医学图像细分,使用有限注释的几乎没有监督的学习 (BSL). 拟议的方法通过整合多面一致性的积极学习,显著提高了细分精度,优于现有的技术.
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:
- 对于3D医疗图像细分的深度学习需要广泛的voxel-wise注释,这是昂贵和耗时的.
- 交叉注释,只使用几个直角切片,提供了一个具有成本效益的替代方案,但对几乎没有监督的学习 (BSL) 提出了挑战.
研究的目的:
- 开发一种有效的框架,用于在3D医疗图像细分中使用最小的注释进行主动几乎没有监督的学习 (BSL).
- 为了提高细分精度和普遍性,尽管标签稀疏.
主要方法:
- 提出了多面一致性学习 (MF-ConS) 框架,结合了基于多样性和不确定性抽样的积极学习 (DUS-AL) 策略.
- 实现了一个教师-学生架构,有三个一致性规范化模块:邻居信息对象预测,原型驱动一致性和稳定性约束.
- 使用交叉注释,每次扫描只需三个直角切片,并使用主动学习来指导人类的注释.
主要成果:
- 在三个基准数据集上,MF-ConS (DUS-AL) 框架在与最先进的方法相比显示出更高的性能.
- 在极其有限的注释条件下,在细分精度方面取得了持续的改进.
- 积极学习策略有效地将注释指向了最有信息的卷.
结论:
- 拟议的MF-ConS框架与DUS-AL在3D医疗图像细分方面非常有效,注释最小.
- 这种方法解决了BSL的挑战,改善对象感知,特征紧性和通用性.
- 为减少医学成像AI的注释成本提供了一个实用的解决方案.
