TransSeg:具有通道智能注意力和语义记忆的杆变压器,用于半监控超声波细分

科学领域:

• 医学成像
• 人工智能
• 妇产科

背景情况:

• 跨膜超声波可以在分娩过程中提供实时的中膜图像,
• 阴部同位素和胎儿头部的准确细分对于计算进展角度 (AoP) 是至关重要的.
• 目前的深度学习细分方法需要大量的手动注释,限制了实际使用.

研究的目的:

• 开发一个创新的半监督细分网络 (TransSeg) 用于胎儿头部位置分析.
• 克服临床环境中现有的细分模型的数据依赖性.
• 加强未标记的超声数据的利用,以提高细分的准确性.

主要方法:

• 开发了一个基于Transformer的网络,
• 引入了通道智能交叉注意力 (CCA) 机制,将未标记的样本功能集成到标记的功能空间中.
• 实施了一个语义信息存储 (S-InfoStore) 模块和频道语义更新 (CSU) 战略,用于动态特征表示.

主要成果:

• 在FH-PS-AoP数据集上,TransSeg在所有评估指标上表现出卓越的表现.
• 通过CCA机制,有效地重建了未标记的特征,推进了半监督的细分.
• 通过S-InfoStore和CSU策略,该模型显著提高了未标记数据的利用率.

结论:

• TransSeg提供了一种有效和先进的解决方案,用于医学成像中的半监督语义细分.
• 拟议的方法减少了临床超声波分析中大规模注释数据集的需求.
• TransSeg显示出在分娩期间改善胎儿头部下降的实时定量评估的巨大潜力.