MPVT+:一个噪音强度培训框架,用于使用噪音标签自动细分肝脏瘤

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 肝癌是全球主要的健康问题,需要精确的瘤细分来有效管理患者.
• 手动细分肝脏瘤是耗时的,容易引起观察者之间的变化.
• 深度神经网络 (DNN) 提供了自动细分,但受到大型高质量标记数据集的需求的阻碍,通常会受到噪音标签的损害.

研究的目的:

• 为自动化肝脏瘤细分开发一个噪音强大的培训框架.
• 在不完美的医疗数据集上训练时,提高深度学习模型的准确性和可靠性.
• 减少对医疗图像分析中精心标记数据的依赖.

主要方法:

• 引入MPVT+,一个新的框架,将像素智能噪声适应模块与多阶段扰动和变量教师 (MPVT) 一致性策略集成在一起.
• 噪音适配器估计了标签损坏概率,并调整了监督权重.
• MPVT采用了一组随机教师模型,增加了干扰,以防止过度适应噪音标签.

主要成果:

• 在739个肝瘤CT数据集上,MPVT+显著优于基线方法,与无噪声U-Net基线 (75.1%) 相比,达到了80.3%的Dice相似系数 (DSC).
• 该框架在包括DSC,JSC,SVD和VOE在内的各种指标上表现出一致的优势.
• 对大量数据集的验证证实了拟议的噪音强度方法的有效性.

结论:

• 在MPVT+中实施的原则性噪声建模和一致性培训,有效地利用不完美的医疗数据集.
• 这种方法减轻了对完美策划的数据集的需求,推动了自动化肝脏瘤细分向临床准备.
• MPVT+代表了使人工智能驱动的医学图像分析更加实用和可访问的重要一步.