SS_CASE_UNet:一种注意力增强的半监督框架,用于在超声图像中对胎儿小脑进行细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 在超声波中精确的胎儿小脑细分对于产前发育评估和异常检测至关重要.
• 挑战包括图像噪声,复杂的解剖学和稀缺的注释数据,阻碍自动化分析.
• 现有的方法与低注释场景和图像复杂性作斗争.

研究的目的:

• 推出SS_CASE_UNet,一个半监督的深度学习框架,用于在超声图像中强大的胎儿小脑细分.
• 为了提高细分精度和概括能力,特别是在低数据条件下.
• 为了应对图像噪声和复杂的胎儿解剖学所带来的挑战.

主要方法:

• 开发了SS_CASE_UNet,这是一个基于U-Net的框架,包含Squeeze-and-Excitation和Coordinate Attention机制.
• 实施了多阶段的半监督培训策略,使用了标记和未标记的数据.
• 采用代伪标签和再培训来提高性能,使用有限的注释.

主要成果:

• SS_CASE_UNet获得了87.65%的子相似系数 (DSC),显示出比现有方法更高的性能.
• 获得了高精度 (99.08%),精度 (93.49%),回忆 (82.34%) 和雅卡德相似度 (81.78%).
• 该模型平衡了性能与计算复杂性,显示了临床实用性.

结论:

• SS_CASE_UNet提供了一种强大而有效的解决方案,用于在超声波中自动对胎儿小脑进行细分.
• 半监督方法显著减轻了与有限的注释数据相关的问题.
• 这一框架有望改善产前诊断和胎儿发育监测.