SSMCE:一个半监督的学习框架,用于心肌细分在心肌对照回声心脏学

科学领域:

• 医学成像分析分析 医学成像分析
• 机器学习在心脏病学中的应用
• 图像处理用于心声回声学.

背景情况:

• 精确的心肌细分在心肌对比回声学 (MCE) 中至关重要,但受到有限的标记数据集和斑点噪声的阻碍.
• 目前,心声回声仪的手动划分是耗时且变化的,影响临床工作流程的效率.

研究的目的:

• 开发一种新的半监督学习框架 (SSMCE) 用于在MCE图像中自动化心肌细分.
• 为了应对MCE细分中的数据稀缺和图像噪声的挑战.
• 在临床实践中提高心肌细分的准确性,稳定性和效率.

主要方法:

• 提出了一种半监督学习框架 (SSMCE),采用三模型架构 (两个学生模型,一个自适应教师模型).
• 实施模型级扰动以增强输出多样性并减少过度装配.
• 设计了一种专门的损失函数,以指导模型的自我校正,并改善合.

主要成果:

• 拟议的损失函数在自建数据集上提高了1.75%的初级评估指标.
• 与现有的心肌细分方法相比,SSMCE实现了最先进的性能.
• 证明了强大而高效的心肌检测和细分能力.

结论:

• 在MCE成像中,SSMCE为心肌细分提供了强大而高效的解决方案.
• 该框架具有显著的潜力,可以简化临床工作流程并提高诊断准确性.
• 解决了当前MCE图像分析的关键局限性,为更广泛的采用铺平了道路.