基于深度协同训练的肝脏CT影像自动化分割技术

简介：
本研究提出了一种创新的深度学习方法——深度协同训练算法，专注于提高肝脏在计算机断层扫描（CT）图像中的自动分割精度。该技术能够有效提升医学影像处理效率与准确性，为临床诊断提供有力支持。 本段落提出了一种在CT图像上进行肝脏半监督自动分割的方法，以解决医学影像领域标签数据获取困难且成本高的问题。该方法采用深度协同训练模型，首先利用有标签的数据建立U-Net和2D V-Net两种分割网络，并分别对无标签的数据进行处理。接着通过对初步的分割结果进行粗略筛选后进一步精细挑选，在此过程中将置信度较高的伪标签加入到训练集中，重复上述步骤直至验证集上的Dice值不再提升为止。实验结果显示，该方法在2017年肝脏肿瘤分割（LiTS）数据集上与全监督学习相比显著提高了分割精度，并有效减少了迭代过程中的累积误差。