La segmentación semisupervisada de patrones de enfermedad pulmonar intersticial a partir de imágenes de TC a través del autoentrenamiento con reentrenamiento selectivo
Autores: Cai, Guang-Wei; Liu, Yun-Bi; Feng, Qian-Jin; Liang, Rui-Hong; Zeng, Qing-Si; Deng, Yu; Yang, Wei
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
La segmentación semisupervisada de patrones de enfermedad pulmonar intersticial a partir de imágenes de TC a través del autoentrenamiento con reentrenamiento selectivo
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Segmentación
Enfermedad pulmonar intersticial
Imágenes de TC
Aprendizaje profundo
Aprendizaje semi-supervisado
Autoentrenamiento
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 30
Citaciones: Sin citaciones
La segmentación precisa de los patrones de enfermedad pulmonar intersticial (EPI) a partir de imágenes de tomografía computarizada (TC) es un requisito esencial para el tratamiento y el seguimiento. Sin embargo, es altamente consumidor de tiempo para los radiólogos segmentar pixel por pixel los patrones de EPI de las exploraciones de TC con cientos de cortes. En consecuencia, es difícil obtener grandes cantidades de datos bien anotados, lo que plantea un gran desafío para los métodos basados en aprendizaje profundo impulsados por datos. Para aliviar este problema, proponemos un marco de aprendizaje semi-supervisado de extremo a extremo para la segmentación de patrones de EPI (ESSegILD) a partir de imágenes de TC a través de un autoentrenamiento con un re-entrenamiento selectivo.
Descripción
La segmentación precisa de los patrones de enfermedad pulmonar intersticial (EPI) a partir de imágenes de tomografía computarizada (TC) es un requisito esencial para el tratamiento y el seguimiento. Sin embargo, es altamente consumidor de tiempo para los radiólogos segmentar pixel por pixel los patrones de EPI de las exploraciones de TC con cientos de cortes. En consecuencia, es difícil obtener grandes cantidades de datos bien anotados, lo que plantea un gran desafío para los métodos basados en aprendizaje profundo impulsados por datos. Para aliviar este problema, proponemos un marco de aprendizaje semi-supervisado de extremo a extremo para la segmentación de patrones de EPI (ESSegILD) a partir de imágenes de TC a través de un autoentrenamiento con un re-entrenamiento selectivo.