通过经验学驱动的硬度适应性聚焦进行写监督的多器官细分

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:

• 在多器官细分中,草图监督可以降低注释成本,但却存在稀疏性,导致器官界限等难以理解的领域的特征学习较差.
• 这种稀疏性导致模型确认偏差和高认识体系不确定性,目前的方法无法充分解决这些问题.

研究的目的:

• 提出一种经验驱动的硬度适应性聚焦框架,以克服在多器官细分中涂监督的局限性.
• 为了减少模型确认偏差和难以分割的地区的认识体系不确定性.

主要方法:

• 开发了一种相适应硬度感知损失函数,以量化认识系统的不确定性并生成动态硬度图.
• 采用分布分歧意识的复制粘贴操作,用于硬样本生成和渐进式学习.
• 引入特征分布对齐,通过将特定器官的硬区域与全球特征对齐来缓解偏差和不确定性.

主要成果:

• 拟议的框架在多器官CT和超声数据集上展示了竞争性性能和有效性.
• 在跨数据集和受噪声破坏的场景中验证了通用性和稳定性.
• 该方法为临床应用中高效的注释提供了一个实际的解决方案.

结论:

• 经验驱动的硬度适应性聚焦框架有效地提高了多器官细分的准确性,注释有限.
• 不确定性量化,硬样本生成和特征对齐的自我改进循环成功地减少了偏见和认识不确定性.
• 这种方法为优先考虑注释效率的临床环境提供了有价值的工具.