Aprendizaje adversario consciente de la forma para la segmentación de imágenes médicas supervisada por garabatos con una red siamesa MaskMix: un estudio de caso de la segmentación de resonancia magnética cardíaca
Autores: Li, Chen; Zheng, Zhong; Wu, Di
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Aprendizaje adversario consciente de la forma para la segmentación de imágenes médicas supervisada por garabatos con una red siamesa MaskMix: un estudio de caso de la segmentación de resonancia magnética cardíaca
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Segmentación de imágenes médicas
Anotación de garabatos
Aplicaciones de aprendizaje profundo
Precisión de segmentación
Marco de aprendizaje supervisado por garabatos conscientes de la forma
Generación de etiquetas pseudo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 34
Citaciones: Sin citaciones
La transición en la segmentación de imágenes médicas de métodos de anotación detallados a métodos de anotación gruesos, notablemente la anotación de garabatos, ofrece una preparación práctica y eficiente para aplicaciones de aprendizaje profundo. Sin embargo, estos métodos a menudo comprometen la precisión de la segmentación y resultan en contornos irregulares. Este estudio se centra en la mejora de la segmentación supervisada por garabatos para igualar la precisión de la anotación detallada. Aprovechando la consistencia de las formas objetivo en conjuntos de datos no emparejados, este estudio introduce un marco de aprendizaje supervisado por garabatos consciente de la forma (MaskMixAdv) que aborda dos tareas críticas: (1) Generación de seudonombres, donde una estrategia de enmascaramiento basada en mezcla permite la ampliación de datos a nivel de imagen y a nivel de características para enriquecer las anotaciones de garabatos de grano grueso. Se propone una red siamesa de doble rama para generar seudonombres detallados. (2) Optimización de los seudonombres, donde se propone un discriminador basado en CNN para refinar los contornos de los seudonombres al distinguirlos de máscaras externas no emparejadas durante el ajuste fino del modelo. MaskMixAdv funciona bajo condiciones de anotación restringidas como un enfoque de aprendizaje eficiente en etiquetas para la segmentación de imágenes médicas. Un estudio de caso en conjuntos de datos públicos de resonancia magnética cardíaca demostró que el MaskMixAdv propuesto superó a los métodos de vanguardia y redujo la brecha de rendimiento entre la segmentación supervisada por garabatos y la supervisada por máscara. Esta innovación reduce el tiempo de anotación en al menos un 95%, con solo un impacto menor en el rendimiento de Dice, específicamente una reducción del 2.6%. Los resultados experimentales indican que el uso de la anotación de garabatos eficiente y rentable puede lograr una alta precisión de segmentación, reduciendo significativamente el requisito típico de anotaciones detalladas.
Descripción
La transición en la segmentación de imágenes médicas de métodos de anotación detallados a métodos de anotación gruesos, notablemente la anotación de garabatos, ofrece una preparación práctica y eficiente para aplicaciones de aprendizaje profundo. Sin embargo, estos métodos a menudo comprometen la precisión de la segmentación y resultan en contornos irregulares. Este estudio se centra en la mejora de la segmentación supervisada por garabatos para igualar la precisión de la anotación detallada. Aprovechando la consistencia de las formas objetivo en conjuntos de datos no emparejados, este estudio introduce un marco de aprendizaje supervisado por garabatos consciente de la forma (MaskMixAdv) que aborda dos tareas críticas: (1) Generación de seudonombres, donde una estrategia de enmascaramiento basada en mezcla permite la ampliación de datos a nivel de imagen y a nivel de características para enriquecer las anotaciones de garabatos de grano grueso. Se propone una red siamesa de doble rama para generar seudonombres detallados. (2) Optimización de los seudonombres, donde se propone un discriminador basado en CNN para refinar los contornos de los seudonombres al distinguirlos de máscaras externas no emparejadas durante el ajuste fino del modelo. MaskMixAdv funciona bajo condiciones de anotación restringidas como un enfoque de aprendizaje eficiente en etiquetas para la segmentación de imágenes médicas. Un estudio de caso en conjuntos de datos públicos de resonancia magnética cardíaca demostró que el MaskMixAdv propuesto superó a los métodos de vanguardia y redujo la brecha de rendimiento entre la segmentación supervisada por garabatos y la supervisada por máscara. Esta innovación reduce el tiempo de anotación en al menos un 95%, con solo un impacto menor en el rendimiento de Dice, específicamente una reducción del 2.6%. Los resultados experimentales indican que el uso de la anotación de garabatos eficiente y rentable puede lograr una alta precisión de segmentación, reduciendo significativamente el requisito típico de anotaciones detalladas.