从多序MRI图像中对半监督的缺血性中风损伤细分利用交叉模式的协作和差异

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经学 神经学

背景情况:

• 精确的缺血性中风病变细分对于有效的再注射疗法和理解中风原因至关重要.
• 多序MRI,包括扩散加权成像 (DWI) 和明显扩散系数 (ADC) 地图,为改进细分提供了补充信息.
• 当前的深度学习方法需要广泛的注释多模态MRI数据集,这些数据集通常是不切实际的.

研究的目的:

• 探索从多序MRI中对缺血性中风病变细分进行半监督学习,利用未标记的数据来提高具有有限注释的性能.
• 提出一个新的框架,利用跨模式的协作和差异,有效利用未标记的数据.

主要方法:

• 使用多序MRI数据进行中风病变细分的半监督框架.
• 实施跨模式双向复制粘贴策略,用于跨模式信息交换.
• 应用跨模式差异信息化校正策略,以利用有限的标记数据和大量的未标记数据.

主要成果:

• 提出的方法证明了有效利用未标记的数据.
• 与只有10%的注释的监督基线相比,实现了12.32%的子相似系数 (DSC) 改进.
• 在ISLES 22数据集上表现优于现有的半监督细分方法.

结论:

• 开发的半监督框架通过使用未标记的多序MRI数据,有效地提高了缺血性中风病变细分精度.
• 跨模式的协作和差异策略能够从有限的注释中有效地学习.
• 这种方法显示出改善中风管理中的临床决策的巨大潜力.