DUR-Net+:通过动态不确定性纠正和从SAM-Med3D获得的先前知识进行半监督腹部CT花红细胞瘤细分

科学领域:

• 泌尿外科瘤学 泌尿外科瘤学
• 医学成像分析分析 医学成像分析
• 医疗保健中的人工智能

背景情况:

• 叶红细胞瘤是一种罕见的上腺瘤,需要从CT扫描中准确细分,以诊断和治疗.
• 自动细分具有挑战性,因为瘤形状不规则,位置/大小可变,注释数据有限.
• 现有的方法在染细胞瘤细分方面存在固有的困难.

研究的目的:

• 开发一个强大的半监督框架,用于自动化色细胞瘤细分.
• 为了应对有限的注释数据和复杂的瘤特征所带来的挑战.
• 提高染细胞瘤诊断和治疗规划的准确性和效率.

主要方法:

• 设计了一种半监督的细分模型,具有共享的编码器和多个解码器,动态选择伪标签.
• 实施了一个动态不确定性纠正机制,以优先考虑从稀疏注释中可靠的预测.
• 集成了注意力卷积块 (ACB) 进行增强的特征提取,并纳入了SAM-Med3D的先前知识.
• 伪标签被用来生成面具提示,自动化SAM-Med3D的工作流.

主要成果:

• 拟议的框架在将两个独立的数据集对染细胞瘤进行细分方面表现出了竞争力.
• 动态不确定性纠正和SAM-Med3D集成提高了对有限的标记数据的细分精度.
• 注意卷积块有效地利用了全球和本地特征,以更好地识别瘤.

结论:

• 开发的半监督框架提供了一个有希望的解决方案,用于准确的染细胞瘤细分.
• 这种方法减轻了大量手动注释的需要,简化了临床工作流程.
• 这种方法有可能促进这种罕见的上腺瘤的诊断和治疗.