基于动态数据一致性与自我训练的半监督超声针头分割展开优化框架
《Diagnostics》:Label-Scarce Ultrasound Biopsy Needle Identification Using Dynamics-Guided Prior Modeling
【字体:
大
中
小
】
时间:2026年10月22日
来源:Diagnostics 3.8
编辑推荐:
:摘要背景/目标:超声引导下的活检对于在微创手术中精确放置针头至关重要。然而,标记医疗数据的稀缺严重限制了针头分割模型的发展,现有的半监督方法仅依赖数据驱动的一致性约束,而没有考虑成像过程的领域特定动态特性。我们提出了一种半监督的展开优化框架,该框架将基于动态的数据一致性与自我训
:摘要
背景/目标:超声引导下的活检对于在微创手术中精确放置针头至关重要。然而,标记医疗数据的稀缺严重限制了针头分割模型的发展,现有的半监督方法仅依赖数据驱动的一致性约束,而没有考虑成像过程的领域特定动态特性。我们提出了一种半监督的展开优化框架,该框架将基于动态的数据一致性与自我训练相结合。方法:(1)将基于零空间投影的分析模型(Analytic Model, A)层展开到网络中,以抑制背景干扰并强制执行从时间序列超声数据中得出的基于动态的约束。其中,背景子空间通过连续帧的奇异值分解(SVD)来估计,针头信号则通过将观察到的图像投影到该子空间的正交补空间上来恢复。(2)一种自我训练策略利用未标记的超声数据,通过从预训练的教师网络生成软伪标签来迭代监督学生模型,该学生模型具有相同的展开架构,并在标记数据上通过监督损失以及在未标记数据上通过伪损失进行联合训练。结果:在超声针头分割数据集上的评估表明,所提出的方法取得了的Dice分数和的IoU,优于监督式的UnrollNet基线(Dice:)、Co-Training(U-Net)(Dice:)和Meta Pseudo Labels(Dice:)。所提出的方法还产生了的平均轨迹角度误差和的针头尖端位置误差。结论:这些结果表明了所提出的框架在超声引导针头跟踪方面的潜力。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号