Formación cruzada para la segmentación de imágenes médicas semisupervisadas

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.