增量2D自标签,以实现有效的3D医疗体积细分,注释最小.

科学领域:

• 医疗成像医学成像
• 深度学习 (Deep Learning) 是一种深度学习.
• 计算解剖学的计算解剖学

背景情况:

• 深度学习模型擅长医疗图像细分,但需要大量的注释数据.
• 获得完全注释的数据集是昂贵和劳动密集型的,阻碍了进步.
• 这项研究解决了有限注释的培训模型的挑战.

研究的目的:

• 探索在严格的注释约束下训练2D模型的可行性.
• 为了优化细分性能,同时最大限度地降低注释成本.
• 开发一个计算效率高的方法,用于3D医疗体积细分.

主要方法:

• 为3D医疗体积细分开发了一个增量2D自我标签框架.
• 一个2D U-Net被训练在一个单一的注释片每卷.
• 该模型代地为相邻切片生成和改进伪标签,逐渐微调自身.

主要成果:

• 自标签方法显著改善了脑MRI和肝脏CECT数据集的细分性能.
• 子相似系数和跨欧盟的交叉点分别增加了高达15.95%和26.75%.
• 3D连续性得到了增强,将第95百分点的豪斯多夫距离从69.88毫米减少到36.46毫米.

结论:

• 拟议的框架有效地利用具有自我标签的2D模型进行强大的3D细分.
• 这种方法实现了强大的性能和连贯性,即使在非常稀疏的注释.
• 该方法提供了一个可行的解决方案,以减少医学成像中的注释负担.