在X射线血管学中使用局部匹配和时空一致性损失的少数镜头视频对象细分

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:

• 高质量的注释数据对于X射线血管学细分模型至关重要.
• 像素级注释是昂贵和耗时的,需要临床专家的参与.
• 短拍视频对象分割 (FSVOS) 为减少注释负担提供了一个解决方案.

研究的目的:

• 开发一个新的FSVOS模型用于X射线血管学视频.
• 为了降低与医疗图像细分相关的注释成本.
• 为了提高细分精度和概括能力.

主要方法:

• 引入了一个新的FSVOS模型,用于受限搜索空间的本地匹配策略.
• 实施了基于方向的非参数抽样机制,以适应动态区域.
• 为特征连贯性设计了一个监督的时空对比学习方案.
• 开发了一个公开可用的基准数据集 (MOSXAV) 用于多对象细分.

主要成果:

• 拟议的FSVOS方法在CADICA,XACV和MOSXAV数据集上表现出卓越的性能.
• 实现了最先进的细分精度和概括能力.
• 在可见和不可见的类别上都超过了现有的视频细分方法.

结论:

• 新的FSVOS模型显著降低了X射线血管学视频的注释成本.
• 该方法提供了增强的灵活性和适应性,以不同的空间结构.
• 这项工作为医学成像中的各种临床应用提供了巨大的潜力.