基于Slim UNETR的类型B主动脡夹伤半监督3D分割

卷积神经网络(CNN)用于医学图像的多类分割在当今广泛应用。尤其是那些可以独立预测分割类别（区域）而不依赖于分割概率模型的模型。这类模型允许针对每个类别（区域）调整网络组件，从而实现更精确的分割。这些方法用于诊断类型B主动脡夹伤（TBAD），需要基于ImageTBDA数据集对主动脡结构进行精确分割，该数据集包含100个3D CT血管造影（CTA）图像。这些图像识别三个关键类别：真腔（TL）、假腔（FL）和假腔血栓（FLT），这是诊断和治疗决策至关重要的。数据集中，68个样本存在假腔，剩余32个不存在，增加了病理检测的复杂度。然而，这些CNN方法的实现需要大量高质量的标记数据。获取感兴趣区域的准确标签可能是昂贵且耗时的过程，尤其是对于3D数据而言。半监督学习方法允许使用标记和未标记数据一起训练模型，这是一种克服获取准确标签挑战的有前景的做法。然而，这些学习方法对于多输出模型并不 well understood。本文提出了一种用于多输出模型的半监督学习方法。该方法基于额外的旋转和翻转，不假设模型响应的概率性质。这使其成为一种通用方法，特别适用于涉及独立分割的体系结构。