机构名称：
¥ 1.0
近年来，机器学习在图像分割和分类任务中表现出色，被广泛应用于医学图像分析。机器学习，尤其是监督学习的成功取决于手动注释数据集的可用性。对于医学成像应用，这种带注释的数据集并不容易获取，需要大量的时间和资源来整理带注释的医学图像集。在本文中，我们提出了一种有效的脑部 MRI 图像注释框架，可以为人类专家提供信息丰富的样本图像进行注释。我们在两个不同的脑图像分析任务上评估了该框架，即脑肿瘤分割和全脑分割。实验表明，对于 BraTS 2019 数据集上的脑肿瘤分割任务，仅使用 7% 带有提示性注释的图像样本训练分割模型就可以实现与在完整数据集上训练相当的性能。对于 MALC 数据集上的全脑分割，使用 42% 带有提示性注释的图像样本进行训练就可以实现与在完整数据集上训练相当的性能。所提出的框架展示了一种在医学成像应用中节省手动注释成本和提高数据效率的有希望的方法。
使用梯度法对脑 MRI 图像进行提示性注释...
主要关键词
相关文件推荐
