相关实验视频
Updated: May 5, 2026
13:45
Hybrid µCT-FMT imaging and image analysis
Published on: June 4, 2015
14.6K
用有限的数据进行转移学习,用于同步龙X射线断层扫描中的小鼠肺部细分
Andjela Blagojević1,2, Ognjen Obradović3, Tijana Geroski3,4
1Faculty of Engineering, University of Kragujevac, Kragujevac, Serbia. andjela.blagojevic@kg.ac.rs.
Annals of biomedical engineering
|March 3, 2026
概括
这项研究引入了一种新的转移学习方法,用于在基于同步辐射的X射线断层显微镜 (SRXTM) 图像中对老鼠肺部进行细分. 这种方法显著减少了对广泛数据注释的需求,通过有限的标记图像实现了精确的肺部细分.
科学领域:
- 医疗成像医学成像
- 计算生物学 计算生物学
- 生物医学工程 生物医学工程
背景情况:
- 精确细分肺结构对于了解肺发育和疾病至关重要.
- 传统的细分方法需要大量的注释数据集,这些数据集很难和昂贵地获取,特别是对于复杂的小规模生物样本,如小鼠肺.
- 从基于同步辐射的X射线断层显微镜 (SRXTM) 图像中注释小鼠肺部是特别具有挑战性的,因为它们的小尺寸,复杂性和微妙的边界.
研究的目的:
- 开发一种新的方法来对SRXTM图像中的小鼠肺部进行细分,使用有限的注释数据转移学习.
- 解决不清晰的组织空气界限和医学成像中注释数据集的稀缺性所带来的挑战.
- 为了使肺部发育,结构变化和疾病的分析更加有效和准确.
主要方法:
- 使用了在肺部截图图像上预训练的U-net模型.
- 应用转移学习来微调模型,在SRXTM图像中对整个小鼠肺部进行细分.
- 评估模型的性能,使用5个标记全肺图像/面具对进行训练和2对进行测试的小型数据集.
主要成果:
- 该U-net模型在细分肺部截面方面取得了高精度,子相似系数 (DSC) 为0.9069和整个欧盟的平均交叉点 (mIOU) 为0.895.
- 在对整个肺部细分进行转移学习后,该模型保持了具有竞争力的性能,DSC = 0.8915和mIOU = 0.8895.
- 该方法甚至在最小数量的注释图像 (5对) 中也表现出有效性.
结论:
- 拟议的转移学习方法对于在SRXTM图像中对小鼠肺部进行细分是有效的.
- 与传统技术相比,这种方法显著减少了对注释数据的要求.
- 这些发现强调了转移学习的潜力,以克服医学图像分析中的数据限制.
