Esta página ha sido traducida por una máquina. Otras páginas pueden seguir apareciendo en inglés. View in English

Formación cruzada para la segmentación de imágenes médicas semisupervisadas

Kaiwen Huang , Tao Zhou , Huazhu Fu

IEEE Transactions on Image Processing : a Publication of the IEEE Signal Processing Society +

|

29 de agosto de 2025

Ver abstracta en PubMed

Resumen

Este estudio introduce un marco de capacitación cruzada consciente de la incertidumbre para la segmentación de imágenes médicas semisupervisadas (UC-Seg). UC-Seg mejora la precisión de la segmentación al mitigar los sesgos del modelo y generar pseudoetiquetas de alta confianza utilizando mapas de incertidumbre.

Área De La Ciencia

Análisis de imágenes médicas
Aprendizaje automático
Visión por computadora

Sus Antecedentes

El aprendizaje semisupervisado reduce las necesidades de anotación en la segmentación de imágenes médicas.
Los modelos de maestros promedio aprovechan datos sin etiquetar pero pueden sufrir sesgos cognitivos.
Generar pseudoetiquetas de alta confianza a partir de entradas perturbadas es un desafío.

Objetivo Del Estudio

Proponer un marco de capacitación cruzada consciente de la incertidumbre para la segmentación de imágenes médicas semisupervisadas (UC-Seg).
Para mitigar los sesgos cognitivos en los modelos mediante el uso de dos subredes distintas.
Mejorar la generación de pseudoetiquetas de alta confianza para una segmentación mejorada.

Principales Métodos

Desarrolló el marco UC-Seg con dos subredes distintas.
Implementó una estrategia de preservación de la coherencia entre subredes (CCP, por sus siglas en inglés) para la coherencia de las características.
Se introdujo un componente de generación de pseudoetiquetas conscientes de la incertidumbre (UPG) utilizando resultados de segmentación y mapas de incertidumbre.

Principales Resultados

UC-Seg demostró una precisión de segmentación superior en varias modalidades de imágenes médicas (IRM, TC, ultrasonido, colonoscopia).
El método logró un mejor rendimiento de generalización en comparación con las técnicas semisupervisadas de última generación existentes.
El marco mitigó efectivamente los sesgos de los modelos y mejoró la calidad de las pseudoetiquetas.

Conclusiones

UC-Seg ofrece un enfoque sólido para la segmentación de imágenes médicas semisupervisadas.
Las estrategias propuestas de CCP y UPG mejoran el rendimiento y la fiabilidad del modelo.
El marco muestra un potencial significativo para aplicaciones clínicas que requieren una segmentación de imágenes precisa.