在标注数据有限的条件下，基于PatchGAN引导的半监督U-Net用于超声图像中的颈动脉斑块分割

《BMC Medical Imaging》：PatchGAN-guided semi-supervised U-Net for carotid plaque segmentation in ultrasound under limited annotation conditions

　　

摘要

研究目的

人工智能模型越来越多地被用于中风风险评估和临床决策。然而，超声图像中专家标注的缺乏、对比度低以及噪声问题都会影响分割效果。

研究方法

本研究创新性地将对抗性PatchGAN鉴别器整合到批归一化半监督U-Net生成器中，以此提升在专家标注有限的超声图像中的颈动脉斑块分割精度。该鉴别器能够提供基于图像块的局部反馈，从而优化预测结果的边界清晰度与结构一致性。该模型采用混合损失函数和自训练策略进行训练，其性能与经过微调的半监督U-Net模型进行了比较。两种模型均在相同的实验条件下使用30%的标记数据进行分析，剩余未标记图像则被用来生成伪标签以增强数据量。同时设置了0.7的置信度阈值，用于过滤不可靠的预测结果。

研究结果

我们在英国伦敦帝国学院提供的970张颈内动脉超声图像数据集上进行了实验。实验结果表明，所提出的框架的Dice系数为86.12，Jaccard指数为75.66，这些指标均优于基准U-Net模型（分别为84.22和73.12）。

研究结论

将基于图像块的对抗性反馈整合到半监督框架中，不仅提升了分割精度，还在监督资源有限的情况下提高了伪标签的可靠性。这些成果与那些需要大量标记数据的先进深度学习模型的效果相当。