在3D医学图像细分中增强基础模型的伪标签的特征区分
Ge Jin1, Qian Zhang2, Yong Cheng2
1Jiangsu Open University, School of Information Engineering, No. 399 Jiangdong North Road, Nanjing, 210000, Jiangsu, China; Key Laboratory of Specialty Fiber Optical Access Networks, Joint International Research Laboratory of Specialty Fiber Optics and Advanced Communication, Shanghai Institute for Advanced Communication and Data Science, School of Communication and Information Engineering, Shanghai University, No. 99 Shangda Road, Shanghai, 200444, Shanghai, China.
概括
这项研究引入了一个新的框架 (PESF),通过使用伪标签来扩展数据集,并使用信任过和课程学习来提高准确性,特别是在小型结构中.
科学领域:
- 医学图像分析
- 医疗保健中的人工智能
- 计算机视觉
背景情况:
- 3D医疗图像细分需要大量的注释数据集,这些数据集的创建是困难且耗时的.
- 伪标签可以扩展数据集,但可能引入噪音标签,对较小结构的细分产生负面影响.
- 现有的方法难以应对3D医学图像注释的规模和复杂性.
研究的目的:
- 为3D医疗图像开发一个强大的伪标签丰富细分框架 (PESF).
- 解决杂的伪标签的挑战,并改善多种解剖结构的细分性能.
- 通过课程学习和信心过来提高细分模型的概括能力.
主要方法:
- 使用预先训练的基础模型实现伪标签方法,以生成新器官类别的标签.
- 开发了基于信任的过机制,以删除低质量的伪标签,使用特征和信任预测模块.
- 整合课程学习与高斯随机扰动进行逐步,系统的训练样本引入.
主要成果:
- 在多个数据集 (Amos,FLARE22,WORD,BTCV) 上,拟议的PESF框架实现了比SAM-Med3D基线的平均子相似系数 (DSC) 的6.8%改善.
- 在细分胰腺和食道等具有挑战性的解剖结构方面观察到显著的性能增长.
- 理论分析证实伪标签类增强了嵌入空间中的特征歧视.
结论:
- PESF有效地减轻噪音伪标签,并提高3D医疗图像细分的准确性.
- 这种框架在不同大小和形状的器官中表现出卓越的概括性.
- PESF提供了一个有前途的解决方案,用于在有限的注释数据下开发医学图像细分的基础模型.
