-
题名基于类内区域动态解耦的半监督肺气管分割
- 1
-
-
作者
汪子宇
曹维维
曹玉柱
刘猛
陈俊
刘兆邦
郑健
-
机构
中国科学技术大学生物医学工程学院(苏州)生命科学与医学部
中国科学院苏州生物医学工程技术研究所
威海先进医用材料与高端医疗器械山东省实验室
苏州波影医疗技术有限公司
苏州大学医学院附属第一医院胸外科
苏州大学医学院附属第一医院胸外科研究所
-
出处
《图学学报》
北大核心
2025年第4期763-774,共12页
-
基金
国家自然科学基金(62371449,U23A20483)
山东省实验室项目(SYS202208)
苏州市科技计划项目(SYC2022098)。
-
文摘
从计算机断层扫描(CT)图像中精确分割肺气管是诊断和治疗各类肺部疾病的重要前提,但气管复杂的树状结构使得获取用于深度神经网络训练的像素级标注数据极为困难。半监督学习为在有限标注数据下的气管分割提供了新的思路。然而,在气道分割任务中,大气管(气管及其主分支)和小气管(外周细支气管)在体素数量、分支数量和形态结构等方面存在显著的类内差异。严重的类内不平衡问题导致模型易在半监督学习中对占主导地位的分割类别发生过拟合,从而对外周细支气管的表征学习不足、分割精度差,限制了临床应用。针对这一问题,提出了一种新颖的基于单教师双学生三分支网络的半监督肺气管分割框架,在有限的标注数据下实现气管树状结构的精准分割。同时,设计了一个即插即用的动态阈值模块,在网络迭代训练的过程中引导网络识别具有不同分割难度的子区域。此外,还提出了一种新颖的类内区域解耦策略,通过采取不同约束优化方式对不同分割难度的子区域进行表征学习。在2个公开数据集和一个私有数据集上的实验结果表明,该方法在气管分割上优于现有最先进方法,Dice相似系数(DSC)指标达到了91.96%,气管中心线长度(TD)和气管树分支(BD)指标分别达到81.88%和78.32%,实现了CT图像中肺气管快速精准分割。
-
关键词
深度学习
气管分割
半监督学习
类内解耦
动态阈值
-
Keywords
deep learning
airway segmentation
semi-supervised learning
decoupling intra-class regions
dynamic threshold
-
分类号
R563
[医药卫生—呼吸系统]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
