ترجمه فارسی مقاله تقسیم بندی غدد لنفاوی ضعیف بر اساس حاشیه نویسی نمونه جزئی با شبکه دو شاخه از پیش آموزش و یادگیری برچسب شبه

چکیده

Assessing the presence of potentially malignant lymph nodes aids in estimating cancer progression, and identifying surrounding benign lymph nodes can assist in determining potential metastatic pathways for cancer. For quantitative analysis, automatic segmentation of lymph nodes is crucial. However, due to the labor-intensive and time-consuming manual annotation process required for a large number of lymph nodes, it is more practical to annotate only a subset of the lymph node instances to reduce annotation costs. In this study, we propose a pre-trained Dual-Branch network with Dynamically Mixed Pseudo label (DBDMP) to learn from partial instance annotations for lymph nodes segmentation. To obtain reliable pseudo labels for lymph nodes that are not annotated, we employ a dual-decoder network to generate different outputs that are then dynamically mixed. We integrate the original weak partial annotations with the mixed pseudo labels to supervise the network. To further leverage the extensive amount of unannotated voxels, we apply a self-supervised pre-training strategy to enhance the model’s feature extraction capability. Experiments on the mediastinal Lymph Node Quantification (LNQ) dataset demonstrate that our method, compared to directly learning from partial instance annotations, significantly improves the Dice Similarity Coefficient (DSC) from 11.04% to 54.10% and reduces the Average Symmetric Surface Distance (ASSD) from 20.83 $mm$ to 8.72 $mm$. The code is available at https://github.com/WltyBY/LNQ2023_training_code.git

چکیده به فارسی (ترجمه ماشینی)

ارزیابی وجود کمک های غدد لنفاوی بالقوه بدخیم در برآورد پیشرفت سرطان ، و شناسایی غدد لنفاوی خوش خیم می تواند در تعیین مسیرهای متاستاتیک بالقوه برای سرطان کمک کند.برای تجزیه و تحلیل کمی ، تقسیم خودکار غدد لنفاوی بسیار مهم است.با این حال ، به دلیل فرآیند حاشیه نویسی کارآزمایی و وقت گیر مورد نیاز برای تعداد زیادی از غدد لنفاوی ، برای کاهش هزینه های حاشیه نویسی ، فقط یک زیر مجموعه از نمونه های غدد لنفاوی را یادداشت می کند.در این مطالعه ، ما یک شبکه دو شاخه ای از پیش آموزش داده شده با برچسب شبه پویا مخلوط (DBDMP) را پیشنهاد می کنیم تا از حاشیه نویسی نمونه جزئی برای تقسیم گره های لنفاوی یاد بگیریم.برای به دست آوردن برچسب های شبه قابل اعتماد برای غدد لنفاوی که حاشیه نویسی نمی شوند ، ما از یک شبکه دیجیتال دوگانه استفاده می کنیم تا خروجی های مختلفی را تولید کنیم که در آن زمان به صورت پویا مخلوط می شوند.ما حاشیه نویسی های جزئی ضعیف اصلی را با برچسب های شبه مخلوط برای نظارت بر شبکه ادغام می کنیم.برای بهره برداری بیشتر به مقدار گسترده ای از وکسل های بدون حاشیه ، ما یک استراتژی قبل از آموزش خود را برای تقویت توانایی استخراج ویژگی مدل اعمال می کنیم.آزمایشات مربوط به مجموعه داده های کمیت گره لنفاوی مدیاستین (LNQ) نشان می دهد که روش ما ، در مقایسه با یادگیری مستقیم از حاشیه نویسی های نمونه جزئی ، ضریب شباهت تاس (DSC) را از 11.04 ٪ به 54.10 ٪ بهبود می بخشد و میانگین فاصله سطح متقارن (ASSD) را کاهش می دهد.از 20.83 $ mm $ تا 8.72 $ mm $.کد در https://github.com/wltyby/lnq2023_training_code.git در دسترس است