弱监督的超声波图像细分与圆形状之前的约束
Changyan Wang1, Yehua Cai2, Ruyi Yang3
1The SMART (Smart Medicine and AI-based Radiology Technology) Lab, School of Communication and Information Engineering, Shanghai University, Shanghai, China; Shanghai Institute of Advanced Communication and Data Science, Key Laboratory of Specialty Fiber Optics and Optical Access Networks, Shanghai University, Shanghai, China.
Artificial intelligence in medicine
|November 19, 2025
概括
这项研究介绍了圆形状先制约多重实例学习 (ESPC-MIL),这是一种用于超声波图像细分的新弱监督方法. ESPC-MIL提高了圆形状的准确性,匹配完全监督的方法,注释更少.
科学领域:
- 医疗成像医学成像
- 计算机辅助诊断 计算机辅助诊断
- 机器学习 机器学习
背景情况:
- 超声波 (US) 图像的精确像素级细分对于计算机辅助的疾病查和诊断至关重要.
- 弱监督的方法,特别是多重实例学习 (MIL),通过要求更少的标记数据,有可能减少放射科医生的工作量.
- 放射科医生在美国的检查中使用圆注释,为细分任务提供有价值的预先信息.
研究的目的:
- 提出一种新的弱监督方法,圆形先制约MIL (ESPC-MIL),用于超声波图像的像素级细分.
- 在MIL框架内利用圆形状的先前信息来提高细分精度,特别是对于圆形状的解剖结构.
- 通过使用圆形状先验的全球监督来提高边缘细分和本地化准确性.
主要方法:
- 开发ESPC-MIL,将圆形状的先前约束集成到MIL框架中.
- 利用圆形状的先验来产生更准确的前景/后景候选区域MIL.
- 应用圆形状的预先信息用于全球监督,以改进边缘细分.
主要成果:
- 在四个不同的美国图像数据集 (阿基里斯肌,中枢神经,乳腺瘤) 上,ESPC-MIL 取得了最先进的结果,Dice 得分范围从 0.748 到 0.876.
- 该方法的性能与完全监督的细分方法相当,显著减少了注释工作.
- 与具有复杂形状的对象相比,ESPC-MIL显示了对大约圆形状的对象进行细分的更明显的性能改进.
结论:
- ESPC-MIL是一种有效的弱监督方法,用于超声波图像的像素级细分,特别是圆结构.
- 圆形状先验的集成提高了细分精度,减少了注释要求,使其成为定量化美国图像分析的宝贵工具.
- 开发的方法显示了在医学成像中自动化定量分析的前景,有助于疾病查和诊断.
