自信融合,语义对齐和群体指导可靠性的联合学习:为3D医学图像细分而设计的新型半监督学习框架

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:

• 半监督学习 (SSL) 对3D医疗图像细分有希望,但由于不可靠的伪标签和未标记数据中不充分的结构建模,由于不稳定的训练和糟糕的概括性而面临挑战.
• 这些问题在体积数据中被阶级间不平衡和复杂的空间依赖所加剧.

研究的目的:

• 为3D医疗图像细分提出一个新的半监督框架,以增强特征学习,一致性规范化和伪标签可靠性.
• 解决现有的SSL方法在处理复杂的解剖结构和有限的注释方面的局限性.

主要方法:

• 开发了一个统一的框架,整合了一个基于信任的多层融合网络 (CMFN),用于多尺度的特征表示.
• 引入了一个语义增强中心对齐 (SECA) 模块,以对齐组级解剖结构并减轻伪标签语义漂移.
• 实施了以集团为指导的可靠性评估 (GGRA) 模块,通过在集团意识的结构背景下建模信任错误来提高伪标签的可靠性.

主要成果:

• 拟议的框架在CT扫描中的腹部器官细分方面表现出卓越的准确性和概括性.
• 在MRI扫描 (LA,BTCV,BraTS19基准) 中验证了各种解剖结构的有效性,包括左心室和脑瘤细分.
• 在有限注释场景中,始终优于最先进的方法.

结论:

• 综合框架有效地提高了用于3D医疗图像细分的特征可区分性和伪标签可靠性.
• 该方法为具有有限注释的细分任务提供了强大的解决方案,在各种医学成像模式和解剖目标中表现出强的性能.