换一批基于多实例学习及阈值伪标签提取的CT影像颅内出血分割
Segmentation of Intracranial Hemorrhage in CT Images Based on Multi-Instance Learning and Thresholding Pseudo-Labels Extraction
摘要颅内出血由颅内血管破裂引起,出血体积对治疗决策和预后分析具有重要的临床意义,而基于CT影像的血肿分割是体积测量的基础.全监督方法依赖于人工勾画的标签,十分耗时和繁琐,现有弱监督分割方法的鲁棒性差,容易受伪影干扰.为此,本研究提出了基于多实例学习的弱监督颅内出血分割网络MIL-ICH,由双分支结构组成.首先,由多实例学习解码器生成热图定位出血区域;然后,在热图基础上使用CT值阈值和像素自适应优化模块提取并优化伪标签,训练分割解码器;最后,两个分支同时训练,提高训练效率并且利用多分支协同作用进一步提升分割性能.在来自RSNA颅内出血数据集的200例CT扫描上的测试结果表明,MIL-ICH网络的Dice相似性系数和体积相似度分别达到了 0.822和0.896,本网络测量的出血量与实际出血量的相关性优于临床常用的多田公式估测法.所提出的方法能够提高颅内出血弱监督分割性能,有助于为临床提供出血体积测量和预后评价的依据.
更多相关知识
关键词
颅内出血CT弱监督分割多实例学习阈值intracranial hemorrhageCTweakly supervised segmentationmulti-instance learningthresholding
分类号
R318（医用一般科学）
栏目名称
DOI
10.3969/j.issn.0258-8021.2023.06.005
发布时间
2024-03-15（万方平台首次上网日期，不代表论文的发表时间）
- 浏览9
- 被引3
- 下载4
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
