在资源有限的环境中,基于基金会模型的多视图半监督CT细分肝脏瘤

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 医疗图像的准确细分,特别是CT扫描,对于诊断和治疗规划至关重要.
• 资源有限的环境往往面临挑战,因为缺乏标记数据用于训练深度学习模型.
• 现有的方法在有限的注释方面扎,影响自动细分的准确性,特别是对于像瘤这样的复杂结构.

研究的目的:

• 在资源有限的环境中开发一个标签效率高的CT自动细分管道.
• 通过使用一种新的框架,从稀缺的注释提升学习过程.
• 为了提高细分口罩的准确性和真实性,特别是对于小型结构和边界.

主要方法:

• 采用了一种半监督的细分骨干与基础模型引导的调节器相结合.
• 引入了多视图协作学习程序,以利用体积上下文并抑制视图依赖的噪音.
• 该框架在公开的CT基准数据集上进行了评估,其中包含不同数量的标记扫描.

主要成果:

• 提出的方法在一个高度标签限制的制度中 (20个标签的案例) 取得了很高的准确性.
• 获得了肝脏的83.79%和瘤的60.08%的平均子得分,优于现有方法.
• 该方法在减少轮时间,增强小结构恢复和提高边界保真度方面取得了显著的改进.

结论:

• 开发的管道为资源有限的环境中CT自动细分提供了标签效率高,准确的解决方案.
• 该方法显著减少了手动细分时间,使其成为临床部署的实用,插即用解决方案.
• 该方法为下游应用,如放射学和纵向监测提供了可靠的基础.