CR-GLoCo:通过全球-本地背景进行跨分辨率学习 半监督的3D医疗细分的一致性
1Institute of Medical Robotics, School of Biomedical Engineering, Shanghai Jiao Tong University, No. 800, Dongchuan Road, Shanghai, 200240, China.
概括
本研究介绍了CR-GLoCo,这是一种用于3D医疗图像细分的新型半监督学习框架. 它有效地减少了注释负担,通过利用全球和本地文本一致性来实现解决方案的一致性,实现了卓越的性能.
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:
- 深度学习在3D医疗图像细分方面表现出色,但需要广泛的专家注释.
- 沃克塞尔级注释是耗时且昂贵的,这促使人们使用半监督学习 (SSL).
- 现有的SSL方法经常使用基于补丁/切片的培训,失去全球上下文,阻碍了通用化.
研究的目的:
- 为3D医疗图像细分开发一个高效的半监督学习框架.
- 为了解决基于补丁/切片的SSL方法中全球解剖学上下文的丧失.
- 为了减少医学图像细分中的注释负担.
主要方法:
- 提出CR-GLoCo,一个跨解决方案的学习框架,强制执行全球-本地环境一致性.
- 将一个低分辨率的全球分支与一个高分辨率的本地分支相结合,以实现整体的先验和精细的边界.
- 实施了相互伪监督,使用信任选和基于重叠的抽样,以实现稳健的上下文转移.
主要成果:
- 与最先进的SSL方法相比,CR-GLoCo在三个具有挑战性的数据集上实现了卓越的性能.
- 该框架有效地利用了全球解剖信息和当地细节.
- 在稀缺的标记数据条件下证明了改进的概括性.
结论:
- CR-GLoCo为半监督的3D医疗图像细分提供了一个强大的解决方案.
- 交叉解析方法提高了上下文的利用和模型的稳定性.
- 该方法显著减轻了在医学成像AI中对大型注释数据集的需求.
