BoundarySeg: طريقة بسيطة بشكل محرج لتعزيز أداء تقسيم الصور الطبية في بيئات البيانات المنخفضة

الحصول على بيانات طبية واسعة النطاق، سواء كانت معلمة أو غير معلمة، يمثل تحدياً بسبب اللوائح الصارمة المتعلقة بالخصوصية وسياسات حماية البيانات. بالإضافة إلى ذلك، يتطلب تعيين الصور الطبية من الخبراء في المجال رسم الهياكل التشريحية يدوياً، مما يجعل العملية تستغرق وقتاً طويلاً وتكون مكلفة. نتيجة لذلك، نالت الطرق شبه المشرفة شعبية لتقليل تكاليف التعيين. ومع ذلك، يعتمد أداء الطرق شبه المشرفة بشكل كبير على توفر البيانات غير المعلمة، وتقل فعاليتها عندما تكون هذه البيانات نادرة أو غائبة. للتغلب على هذا القيد، نقترح نهجاً بسيطاً ولكنه فعال وذو كفاءة حسابية لتقسيم الصور الطبية يستفيد فقط من التعليقات الموجودة. نقدم BoundarySeg، إطار عمل متعدد المهام يدمج توقع حدود الأعضاء كمهام مساعدة للتقسيم الكامل للأعضاء، مستفيداً من التناسق بين التوقعات الخاصة بالمهمتين لتوفير إشراف إضافي. هذه الاستراتيجية تحسن دقة التقسيم، خاصة في بيئات البيانات المنخفضة، مما يسمح لطريقتنا بتحقيق أداء comparable أو متجاوز لنهج شبه المشرف المتطورة، وكل ذلك دون الاعتماد على بيانات غير معلمة أو زيادة المتطلبات الحسابية. سيتم إصدار الشيفرة عند قبولها.