GRMA-Net:基于双重多尺度不确定性估计与图形推理在胸部CTs中的图形推理的新两阶段3D半监督性肺炎细分
Jianning Zang1, Yu Gu1, Lidong Yang1
1Inner Mongolia Key Laboratory of Pattern Recognition and Intelligent Image Processing, School of Digital and Intelligent Industry, Inner Mongolia University of Science and Technology, Baotou, 014010, China.
Current medical imaging
|August 13, 2025
概括
这项研究引入了一种用于肺炎细分的新型半监督框架,通过有效使用未标记的数据和管理不确定性来提高准确性. 该方法在关键细分指标上显示了显著的性能改进.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 精确的肺炎病变细分对于诊断至关重要,但由于有限的标记数据和图像不确定性而受到挑战.
- 现有的方法在精确的像素级标签和有效利用丰富的未标签数据方面扎.
研究的目的:
- 提出和评估肺炎的两阶段半监督细分框架.
- 用双重多尺度不确定性估计和图形推理来解决高精度细分方面的挑战.
- 为提高肺炎病变细分精度,利用未标记的数据.
主要方法:
- 开发了一个指导式监督式培训策略,用于模拟双尺度 aleatoric 不确定性 (AU).
- 实施了多级噪音伪标签校正策略,以减轻预测偏差.
- 集成的融合特征交互图推理 (FIGR) 与注意模块用于增强特征捕获,特别是在小型受感染地区.
主要成果:
- 拟议的框架证明了MosMedData数据集的性能改善.
- 与基线相比,实现了1.25% (Dice),1.03% (Jaccard),2.98% (NSD) 和0.59% (ADB) 的绩效增长.
- 该方法有效地利用未标记的数据和不确定性建模,以获得更好的细分结果.
结论:
- 开发的半监督框架通过有效利用未标记的数据和管理不确定性,显著提高了肺炎细分.
- 这种方法为肺炎诊断提供了潜在的临床益处,尽管一般化和计算效率需要进一步研究.
- 未来的工作将集中在基于GAN的数据合成和架构优化上,以解决局限性.
