心脏分割算法提供精准把握心脏结构的信息,辅助医生进行诊断、制定治疗计划以及进行手术前的评估工作,提高临床治疗的效果并减轻并发症。然而,心脏分割在应用中存在诸多问题。手动分割方法不仅耗时费力,并且具有很强的主观意识。全监督...心脏分割算法提供精准把握心脏结构的信息,辅助医生进行诊断、制定治疗计划以及进行手术前的评估工作,提高临床治疗的效果并减轻并发症。然而,心脏分割在应用中存在诸多问题。手动分割方法不仅耗时费力,并且具有很强的主观意识。全监督的心脏分割方法虽已取得一定成果,但标注数据的依赖性过高。现有的半监督分割方法在处理复杂的心脏结构和病理变化时表现仍不够理想,难以在实际临床环境中稳定应用。为解决这一问题,提出了心脏磁共振成像(MRI)分割方法,结合Linformer and Performer merge V-Net(LPV-Net)和3D Enhanced Discriminator with Attention(3D-EDA)技术,实现了全局-局部信息的有效整合。LPV-Net模块由LinPerBlock和改进的V-Net联袂打造,旨在规范模型训练过程、实现全局与局部信息的有机整合,有效提高分割效果的准确性与鲁棒性。同时引入新鉴别器3D-EDA规范未标记数据,并加入关键模块CARE-Layer,集成自定义注意力模块以增强对特征重要信息的捕捉能力,辅助网络可提高主网络分割指标性能。在左心房数据集上进行综合实验,并将所提方法与MC-Net,V-Net等其他先进的半监督方法进行比较,发现该方法在基准数据集上的表现尤为优异。特别是在使用有限标签数据进行训练时,该方法仍然展示出卓越的性能;当仅使用10%和20%的标记数据进行训练时,该方法的Dice系数分别达到88.50%和90.39%。展开更多
文摘心脏分割算法提供精准把握心脏结构的信息,辅助医生进行诊断、制定治疗计划以及进行手术前的评估工作,提高临床治疗的效果并减轻并发症。然而,心脏分割在应用中存在诸多问题。手动分割方法不仅耗时费力,并且具有很强的主观意识。全监督的心脏分割方法虽已取得一定成果,但标注数据的依赖性过高。现有的半监督分割方法在处理复杂的心脏结构和病理变化时表现仍不够理想,难以在实际临床环境中稳定应用。为解决这一问题,提出了心脏磁共振成像(MRI)分割方法,结合Linformer and Performer merge V-Net(LPV-Net)和3D Enhanced Discriminator with Attention(3D-EDA)技术,实现了全局-局部信息的有效整合。LPV-Net模块由LinPerBlock和改进的V-Net联袂打造,旨在规范模型训练过程、实现全局与局部信息的有机整合,有效提高分割效果的准确性与鲁棒性。同时引入新鉴别器3D-EDA规范未标记数据,并加入关键模块CARE-Layer,集成自定义注意力模块以增强对特征重要信息的捕捉能力,辅助网络可提高主网络分割指标性能。在左心房数据集上进行综合实验,并将所提方法与MC-Net,V-Net等其他先进的半监督方法进行比较,发现该方法在基准数据集上的表现尤为优异。特别是在使用有限标签数据进行训练时,该方法仍然展示出卓越的性能;当仅使用10%和20%的标记数据进行训练时,该方法的Dice系数分别达到88.50%和90.39%。
