相关实验视频
Updated: Jan 9, 2026
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
725
PL-Seg:通过阶级直角对比学习和渐进的自我蒸进行部分标记的腹部器官细分
He Li1, Xiangde Luo1, Jia Fu1
1School of Mechanical and Electrical Engineering, University of Electronic Science and Technology of China, Chengdu, China.
Medical image analysis
|November 30, 2025
概括
这项研究介绍了PL-Seg,这是一种用于在CT扫描中使用部分标记数据对腹部器官进行细分的新框架. PL-Seg有效地利用未标记的数据来提高医疗成像任务的细分精度.
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:
- 在CT扫描中精确的腹部器官细分对于诊断和治疗规划至关重要.
- 完全监督的深度学习需要广泛,昂贵的voxel级注释,阻碍多器官细分.
- 部分标记数据提供了一个解决方案,以减少医学图像细分中的注释负担.
研究的目的:
- 开发一种新的框架 (PL-Seg) 用于在腹部CT扫描中使用部分标记数据进行多器官细分.
- 通过有效利用标记和未标记的器官数据来提高细分性能.
- 为了减少与获得医学成像数据集密集注释相关的时间和成本.
主要方法:
- PL-Seg框架使用部分标记的CT扫描.
- 硬度感知脱前景损失 (HADFL) 以专注于注释的器官,并根据难度调整权重.
- 按类的正交对比损失 (COCL) 用于减少类间的模糊性和规范化未标记的区域.
- 渐进式自蒸 (PSD) 来增强特征学习从高分辨率到低分辨率层.
主要成果:
- 通过有效利用没有标签的类别,PL-Seg表现出显著的性能改善.
- 在细分精度方面超越了六种最先进的方法,具有更简单的管道和更高的计算效率.
- 与现有的半监督方法相比,在相同的注释成本下取得了优异的结果.
结论:
- 在使用部分标记数据的腹部CT扫描中,PL-Seg为多器官细分提供了有效的解决方案.
- 提出的方法 (HADFL,COCL,PSD) 提高了细分的性能和效率.
- 部分标记的医疗图像细分代码库和基准的发布将促进该领域的进一步研究.
