GM-ABS:即时通用模型驱动主动几乎没有监督的3D医疗图像分割专家模型培训.

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:

• 半监督学习 (SSL) 减少了在3D医学图像细分中需要广泛的手动标签的需求.
• 基本的通用主义模型,如分段任何模型 (SAM),提供零射击细分能力,但在性能方面往往落后于专家.
• 这些通用主义模型提供了一个机会,通过提供以数据为中心的视角来增强SSL,特别是伪和专家标签策略.

研究的目的:

• 提出通用主义模型驱动的活跃几乎没有监督 (GM-ABS) 学习范式.
• 使用极其有限的注释预算 (例如,每扫描三片) 开发专门的3D细分模型.
• 在SSL中彻底改变伪和专家标签策略,用于3D医学成像.

主要方法:

• GM-ABS建立在一个平均教师的SSL框架上,结合了两个关键的以数据为中心的设计.
• 专家-通用主义者协作:一名正在培训的专家使用特定类别的提示来与结的通用主义者模型 (SAM) 交互,在多个视图中进行噪音标签增强.
• 专家合作模式:以人类在循环中的方法为指导,以最小的专家努力进行积极的交叉标签,逐渐增强专家监督.

主要成果:

• 在三个基准数据集上,GM-ABS表现出了有前途的表现.
• 与最近的SSL方法相比,在极其有限的标签资源下,拟议的方法取得了更好的结果.
• 专家-通用主义者合作有效地利用了噪音标签增强和耐噪声同化提示.

结论:

• GM-ABS提供了一种有效的解决方案,用于训练具有最小注释的专业3D医疗细分模型.
• 该范式突出了利用通用主义模型和积极学习在医学成像中以数据为中心的SSL的潜力.
• 在严重的注释限制下,GM-ABS显著提高了数据池利用率和细分精度.