超越人类变性:深度学习用于带有噪音标签的血管内超声波细分
Yunjung Lee1, Jihye Chae1, Jihoon Kweon1
1Department of Biomedical Engineering, Asan Medical Center, University of Ulsan College of Medicine, Seoul, Korea.
Ultrasound in medicine & biology
|February 27, 2026
概括
对于静脉内超声波 (IVUS) 分段的深度学习对杂的标签敏感. 一个新的过器通过评估标签质量来提高模型性能,为强大的IVUS成像数据集提供指导.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 血管内超声波 (IVUS) 提供了冠状动脉血管的关键横截面视图.
- 深度学习在IVUS解释的语义细分方面表现出色.
- 挑战包括所需的专业知识和耗时的手动注释.
研究的目的:
- 评估噪音标签对基于深度学习的IVUS细分的影响.
- 为评估标签质量开发一个临床信息的过器.
- 在半监督学习环境中增强模型性能.
主要方法:
- 对深度学习细分模型上的噪音标签效应的分析.
- 使用豪斯多夫距离进行标签质量评估的过器的开发.
- 过器在半监督学习框架中的应用.
主要成果:
- 细分性能随着一致的噪音标签或边界对齐不良而显著降低.
- 当50%的边界正确时,即使有20个像素的错误,也观察到有限的性能降低 (1.92%的子系数).
- 增加培训数据大小减轻了噪音标签的不良影响.
- 拟议的波器在自我训练中提高了细分性能.
结论:
- 噪音标签可以显著影响IVUS.deep learning中的深度学习细分精度.
- 一个临床知情过器可以通过解决标签质量来提高模型的稳定性.
- 研究结果为为IVUS成像深度学习模型创建高质量的培训数据集提供了实际指导.
