使用位置和时间对比信息进行心脏组织细分的Scribble监督方法
Xiaoxuan Ma1, Yingao Du1, Kuncheng Lian1
1Beijing University of Civil Engineering and Architecture, School of Intelligence Science and Technology, Beijing, China.
Journal of medical imaging (Bellingham, Wash.)
|November 25, 2025
概括
这项研究引入了Scribble Position and Temporal Contrast Learning (SPTCL) 用于医疗图像细分,减少了对广泛注释的需求. SPTCL提高了细分任务的准确性和效率,使其适合临床使用.
科学领域:
- 医学图像分析 医学图像分析
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 精确的像素级别细分对于医学诊断和治疗规划至关重要.
- 完全监督的方法需要大量高质量的注释,这些注释往往稀缺且昂贵.
- 弱监督的学习旨在减少对精确注释的依赖.
研究的目的:
- 开发一种创新的细分方法,将对比性学习与弱监督相结合.
- 为了减少在医学图像细分中对精确注释的依赖.
- 使用有限的注释数据来提高细分性能.
主要方法:
- 拟议的写位置和时间对比学习 (SPTCL) 方法.
- 在3D医学卷中利用空间连续性和跨心脏阶段的时间相似性进行对比学习.
- 使用预先训练的编码器,在弱监督的细分网络上微调,使用双分支解码器.
- 合并预测以生成伪标签,用于代训练,带有涂注释.
主要成果:
- 在ACDC数据集上获得了90.5%的子系数.
- 超越现有模型的性能,比基线改进2.5%,比最新模型改进1.7%.
- 培训时间缩短约33%.
结论:
- SPTCL有效地解决了医学图像细分中的注释短缺问题.
- 该方法显示了实际临床部署的强大潜力.
- 结合了对比的学习与弱监督,以实现强大的特征表示和细分.
