增强半监督学习,用于细粒度的3D脑血管细分,并进行交叉一致性和不确定性估计

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经科学是一个神经科学.

背景情况:

• 从飞行时间磁共振血管学 (TOF-MRA) 中精确细分脑血管对于诊断和治疗脑血管疾病至关重要.
• 监督深度学习方法由于注释成本高和适用性有限而面临局限性.
• 需要采用替代方法来提高自动3D脑血管细分效率和临床部署.

研究的目的:

• 开发一种半监督学习方法,利用未标记的TOF-MRA数据来改善3D脑血管细分.
• 通过利用船舶结构和评估伪标签可靠性来应对有限的标签数据的挑战.
• 提高未标记数据的利用率,提高细分精度.

主要方法:

• 引入了半监督学习的交叉一致性双不确定性量化平均教师方法.
• 采用双一致性学习方法,包括像素图像转换一致性和特征扰动不变性.
• 使用学生和教师模型预测来评估细分不确定性,以指导一致性规范化,并通过特定区域的监督损失来提高性能.

主要成果:

• 拟议的方法在两个公共数据集上胜过了先进的半监督学习技术.
• 在IXI数据集上,实现了83.3%的Dice相似系数和71.5%的交叉与联合.
• 与基线不确定性意识平均教师方法相比,表现较好,分别为1.7%和2.8%.

结论:

• 开发的框架显示了减少大脑血管细分手动注释工作的潜力.
• 它在处理未标记数据方面的有效性为准确的脑血管提取任务提供了显著的优势.
• 该方法在各种指标上取得了竞争性表现,表明其临床适用性.