一个强大的半监督脑瘤MRI分类网络,用于数据受限的临床环境.
Subhash Chand Gupta1, Vandana Bhattacharjee1, Shripal Vijayvargiya1
1Department of Computer Science and Engineering, BIT, Mesra, Ranchi 835215, India.
Diagnostics (Basel, Switzerland)
|October 16, 2025
概括
本研究介绍了SSPLNet,这是一个新的深度学习框架,用于从MRI扫描中对脑瘤进行分类. 它在低数据场景中显著提高了准确性,减少了对临床部署手动注释的依赖.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 通过MRI准确地分类脑瘤对于诊断至关重要,但由于劳动密集的手动注释而受到阻碍.
- 开发自动化方法对于高效分析大型医学成像数据集至关重要.
研究的目的:
- 介绍SSPLNet (半监督伪标签网络),这是一个深度学习框架,用于基于MRI的强大的脑瘤分类.
- 通过利用半监督学习和特征融合来解决临床环境中的数据短缺问题.
主要方法:
- SSPLNet采用双分支深度学习架构,集成自定义的CNN和ResNet50.
- 它使用以信任为导向的代伪标签与自适应值来改进未标记MRI扫描的标签.
- 特征融合结合了局部纹理模式和层次深度特征,用于增强分类.
主要成果:
- 在各种标记和未标记数据分割中,SSPLNet实现了最先进的准确性,在低标签制度中表现优于监督方法.
- 该框架保持了98.17%的诊断准确性,40%的数据未标记,表明注释依赖性减少.
- 性能指标证实了SSPLNet的统计学上显著的准确性和稳定性,其错误率不能归因于偶然.
结论:
- 在资源有限的医疗保健机构中,SSPLNet为可扩展的大脑瘤分类提供了可行的解决方案.
- 半监督方法有效地减少了对大量手动数据注释的需求.
- 该框架的强大性能和统计验证支持其临床适用性.


