细分意识的生成强化网络 (GRN) 用于在3D超声图像中对慢性腰背痛 (cLBP) 的评估进行组织层细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 使用3D超声波进行慢性下背痛 (cLBP) 诊断需要广泛的标记数据来准确地分层.
• 目前的细分方法面临挑战,因为手动图像注释的成本和时间很高.

研究的目的:

• 引入生成增强网络 (GRN),以减少对3D超声波细分的大型标记数据集的依赖.
• 为了提高医疗成像任务的细分性能,特别是对于cLBP诊断.

主要方法:

• 开发了一个生成强化网络 (GRN),将生成对抗网络 (GAN) 与细分模型集成在一起.
• 实现了细分意识反 (增强增强,RAug) 和对抗性规范化 (PatchGAN).
• 引入了以分割为指导的增强 (SGE) 来进行推断时间图像改进,并探索了GRN-SEL和GRN-SSL等变体,并进行了插值一致性培训 (ICT).

主要成果:

• 与SGE一起的GRN-SEL在MUSCLE数据集上减少了高达70%的标签工作,与完全监督模型相比,Dice相似系数 (DSC) 提高了1.98%.
• 在三个不同的数据集 (肌肉,皮肤病变,Kvasir) 中,与最先进的半监督方法相比,表现一致.
• 验证了GRN框架对公共基准数据集的通用性.

结论:

• 拟议的GRN框架有效地优化了细分性能,显著减少了标记数据要求.
• GRN为高效准确的医疗图像细分提供了一个有前途的解决方案,特别是在数据稀缺的情况下.
• 该研究强调了整合生成和细分模型的潜力,以推进医疗图像分析.