DMformer:用于半监督医疗图像分割的难度适应的掩饰变压器

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:

• 利用未标记的数据对于半监督的医疗图像细分至关重要.
• 共享人体解剖学为利用未标记的医学图像提供了强有力的先验.
• 蒙面图像建模激发了新的方法,用于结合解剖学先验.

研究的目的:

• 开发一个半监督的医疗图像细分框架,有效地利用通过解剖学先验的未标记数据.
• 引入适应难度的掩护机制,以处理不同器官/组织的不同复杂性重建.
• 为了提高医疗图像细分模型的性能,使用有限的标记数据.

主要方法:

• 将辅助无监督的粗体解剖学重建任务纳入了教师与学生的框架.
• 通过调节蒙面区域和类比,开发了一个适应难度的面具机制.
• 实施基于区域和基于阶级的掩盖策略,根据重建难度量身定制.
• 使用了冲突意识梯度计算策略来管理同时因子调制.
• 在视觉变压器上构建了适应困难的蒙面变压器 (DMformer).

主要成果:

• 在半监督的医疗图像细分中,DMformer表现出卓越的性能.
• 在ACDC和Synapse数据集上的子相似系数 (DSC) 中取得了显著的改进.
• 超越了最先进的 (SOTA) 方法,在ACDC上有5%的标记图像 (9.53%的DSC改进).
• 超越了SOTA方法,在Synapse上有30%的标记图像 (4.63%的DSC改进).

结论:

• 拟议的难度适应的面具机制有效地解决了医疗图像细分中的各种重建挑战.
• DMformer为半监督医疗图像细分提供了一种强大的方法,特别是在有限的标记数据下.
• 该框架通过辅助重建任务成功地利用解剖学先验,提高了细分的准确性.