ERSR:在超声波图像中进行半监督胎儿头部细分的圆约束伪标签精细化和对称调整框架

科学领域:

• 医学成像
• 人工智能
• 生物医学工程

背景情况:

• 通过超声波对胎儿头部进行自动细分对于产前监测至关重要.
• 挑战包括图像质量差和注释数据有限,阻碍半监督的方法.
• 现有的方法难以产生可靠的伪标签和对胎儿超声数据的有效一致性规范化.

研究的目的:

• 在超声波图像中开发一种新的半监督框架,即ERSR,用于强大的胎儿头部细分.
• 解决当前半监督方法在处理超声图像特征和伪标签方面的局限性.
• 通过改进分类来提高自动化产前监测的准确性和可靠性.

主要方法:

• 拟议的 ERSR 框架包括双评分自适应过,圆约束伪标签改进和基于对称的多重一致性规范化.
• 双评分的自适应过利用边界一致性和轮规律性来完善教师的输出.
• 圆受约束的精细化增强了中心像素并减少了噪音;对称性规范化强制执行多层一致性.

主要成果:

• 在两个基准数据集 (HC18和PSFH) 上,ERSR取得了最先进的表现.
• 在HC18数据集中,Dice得分为92.05% (10%标记数据) 和95.36% (20%标记数据).
• 在PSFH数据集中,Dice得分达到91.68% (10%的标记数据) 和93.70% (20%的标记数据).

结论:

• 拟议的ERSR框架显著提高了超声波图像中的胎儿头部细分精度.
• 通过使用其新的精细化和规范化策略,ERSR有效地克服了与图像质量和有限注释相关的挑战.
• 该方法显示了增强自动化产前监测系统的巨大潜力.