Исследовательская группа под руководством профессора Ван Хуаньциня из Института интеллектуальных машин Хэфэйского института физических наук Китайской академии наук недавно предложила полуконтролируемый метод сегментации медицинских изображений.

Результаты были опубликованы в журнале Pattern Recognition .

Аннотирование медицинских 3D-изображений на уровне пикселей — трудоёмкий и длительный процесс. Для снижения этой нагрузки привлекла внимание полуконтролируемая сегментация медицинских изображений, использующая небольшой набор размеченных изображений вместе с большим количеством неразмеченных.

Большинство современных методов основаны на регуляризации согласованности и псевдоразметке. Хотя их стратегии различаются, их общая цель — сделать прогнозы устойчивыми к возмущениям данных для улучшения обобщения. Однако иногда это может приводить к дисбалансу между глобальными характеристиками и тонкими деталями границ.

В данном исследовании группа представила новый метод выравнивания граничных объектов. Подход фокусируется на изучении унифицированных представлений граничных объектов как для маркированных, так и для немаркированных данных. Ключевым нововведением является разработка трёхмерного экстрактора границ, способного надёжно фиксировать как истинные, так и псевдомаркированные границы. Благодаря смешиванию этих типов границ модель обеспечивает раннее встраивание граничных объектов, тем самым способствуя лучшему выравниванию и обобщению для различных состояний аннотации.

Метод, реализованный в рамках стандартной модели среднего преподавателя, был оценен на трёх эталонных наборах данных: LA (левое предсердие), Pancreas-CT (поджелудочная железа) и ACDC ( правый желудочек , левый желудочек и миокард). Экспериментальные результаты показывают, что предлагаемый подход достигает конкурентоспособной эффективности. Примечательно, что на наборе данных ACDC, содержащем всего 10% размеченных данных, метод превзошёл даже полностью контролируемые модели по таким ключевым показателям, как 95% расстояние Хаусдорфа и среднее расстояние по поверхности.

Эти результаты открывают многообещающее направление для снижения рабочей нагрузки по аннотированию в крупномасштабных клинических приложениях.

Внимание, автоперевод! За ошибки перевода ответственности не несём. Первоисточник по ссылке.