MODD:多中心的一次性医疗里程碑检测和消除噪音
Jialin Shi1,2, Xiangde Li1, Ning Zhang1
1School of Computer and Communication Engineering, University of Science and Technology Beijing, Beijing 100083, People's Republic of China.
Physics in medicine and biology
|September 29, 2025
概括
这项研究引入了一个多中心的一次性地标检测和消噪框架 (MODD),以提高横向头脑测量X射线图像的精度. MODD通过使用多中心数据增强了标签效率培训,实现了改进的地标检测性能.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 在横向头脑测量X射线上的一次性地标检测提供了标签高效的培训.
- 临床数据集通常很小,并且缺乏跨不同设备或成像环境的概括性.
- 多中心数据训练可能会因为数据不平衡和图像特性不同而导致性能下降.
研究的目的:
- 提出一个新的框架,利用多中心数据来提高单个实验里程碑检测的准确性.
- 为了应对具有有限或多样化的数据集的医学成像任务的标签效率培训的挑战.
- 在多中心场景中提高地标检测模型的概括性能.
主要方法:
- 开发了一个多中心的一次性地标检测和除框架 (MODD).
- 通过多中心模板转换进行内置的自我监督的一次性映射.
- 实现了一个伪标签拒绝模块,具有混合动态样本选择和对比校正.
主要成果:
- 在公共多中心头脑测量X射线数据集上,在4.0毫米范围内实现了79.27%的地标检测准确度.
- 得到的平均辐射误差为2.94毫米.
- 与现有的最先进的方法相比,证明了令人满意的性能.
结论:
- 拟议的MODD框架有效地提高了在多中心环境中一次性地标检测的准确性.
- 这项工作将医疗里程碑检测的应用扩展到具有挑战性的多中心一次性领域.
- MODD架构显示了在医疗成像中提高标签效率培训的巨大潜力.
