对于子宫和膀细分的半监督深度学习在女性骨盆地磁共振成像上,具有有限的标记数据
Jianwei Zuo1, Fei Feng2, Zhuhui Wang1
1Institute of Medical Technology, Peking University Health Science Center, Peking University, Beijing, China; Biomedical Engineering Department, Institute of Advanced Clinical Medicine, Peking University, Beijing, China.
American journal of obstetrics and gynecology
|October 18, 2025
概括
这项研究引入了一种新的半监督学习方法,用于在MRI扫描中对骨盆器官进行细分. 这种方法显著减少了对标记数据的需求,同时保持了高准确性,改善了对像骨盆器官脱落等疾病的AI模型训练.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 骨盆底疾病研究研究
背景情况:
- 在MRI中精确的骨盆器官细分对于研究骨盆器官脱落至关重要.
- 手动细分是劳动密集型,限制了人工智能模型培训.
- 存在对需要最小预先标记数据的方法的需求.
研究的目的:
- 介绍一个新的半监督学习过程,用于盆腔MRI细分.
- 通过使用有限的注释来提高自动化细分的准确性和效率.
- 减少对人工智能训练的广泛标记数据集的依赖.
主要方法:
- 采用半监督的深度学习框架来对子宫和膀进行细分.
- 使用了专家概述和未标记的MRI扫描 (4103张来自48名受试者的图像) 的组合.
- 整合自主监督学习用于特征提取和伪标签生成,随后进行监督和无监督的培训.
主要成果:
- 实现了与传统方法相比的细分精度,使用的标签数据少了60%左右.
- 报告的子相似系数为0.84±0.04 (子宫) 和0.92±0.05 (膀).
- 与基线监督和转移学习模型相比,表现出优异的性能,具有增强的3D重建细节.
结论:
- 半监督框架有效地减少了大量手册注释的需要.
- 通过显著减少标记图像,实现了高细分精度.
- 这种方法可以加强临床评估,并为盆腔MRI数据集进行医疗图像分析.
