.png){kind=icon}
返回
ReCo-I2P: An Incomplete Supervised Lymph Node Segmentation Framework Based on Orthogonal Partial-Instance Annotation
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-05169-1_49.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
淋巴结体积的定量分析在癌症的诊断和治疗中具有重要作用。然而，淋巴结的自动分割模型需要像素级标注，这既耗时又费力。像素级标注的缺乏促使人们对标签高效学习作为潜在解决方案产生了兴趣。考虑到淋巴结在形状和位置上的差异以及计算机断层扫描中淋巴结的低对比度外观，我们提出了一种新的不完整标注策略，称为正交部分实例标注，其中仅标注淋巴结一小部分的两张正交切片。为了从如此稀疏的标注中分割尽可能多的淋巴结，我们提出了一种基于原型的标签高效学习框架，并设计了专门的损失函数。具体来说，我们从编码器的输出特征中提取批内原型，并使用动量平滑方法存储批间原型。为了重新注入从两种原型中提取的信息，我们引入了一个特征增强模块，利用提取的原型来增强特征。为了进一步补充增强特征生成的预测与原始特征生成的预测，我们基于特征相似性设计了一种基于可靠性的共同教学策略。实验表明，我们提出的框架在两个纵隔淋巴结数据集上优于其他方法。我们的实现代码可在 https://github.com/HiLab- git/WCODE-PIA 获取。
Keyword:
Lymph node segmentation
Incomplete supervised learning
Prototype-based learning
期刊
机构
引用论文
.png){kind=icon}
Swin-Unet: Unet-Like Pure Transformer for Medical Image SegmentationSwin Unet: 用于医学图像分割的类Unet纯变压器
PREAI
分享收藏
查看更多内容