SEMI-PLC: Un marco para la segmentación de imágenes médicas semisupervisadas con pseudocorrección de etiquetas

Área de la Ciencia:

• Imágenes médicas
• Visión por computadora
• Aprendizaje automático

Sus antecedentes:

• El aprendizaje semisupervisado es crucial para la segmentación de imágenes médicas, pero puede sufrir un sesgo cognitivo debido a los datos etiquetados limitados.
• Este sesgo se amplifica en imágenes médicas complejas, lo que lleva a predicciones inestables en regiones ambiguas.
• La falta de diversidad en la supervisión dificulta aún más la autocorrección y la exploración de predicciones alternativas.

Objetivo del estudio:

• Para mitigar el sesgo cognitivo en la segmentación de imágenes médicas semi-supervisadas.
• Mejorar la precisión y la robustez de los modelos de segmentación entrenados con datos etiquetados limitados.

Principales métodos:

• Propuso un marco que combina la formación alterna y la corrección de la pseudoetiqueta.
• Alternating Training utiliza datos originales y aumentados para evitar el refuerzo sesgado en regiones ambiguas.
• La corrección de pseudoetiquetas refina las pseudoetiquetas inestables utilizando la consistencia impulsada por la perturbación y las restricciones entre subredes.

Principales resultados:

• Logró un rendimiento superior en tres conjuntos de datos públicos con solo el 10% de datos etiquetados.
• Demostró mejoras significativas en las puntuaciones de Dice y reducciones en 95HD en comparación con las fuertes líneas de base.
• Mitigó efectivamente la acumulación de sesgo y aumentó el rendimiento general de la segmentación.

Conclusiones:

• El marco identifica y corrige con éxito las predicciones frágiles durante la formación.
• Refine progresivamente las pseudoetiquetas inestables, aliviando el sesgo cognitivo en la segmentación de imágenes médicas semisupervisadas.
• El código está disponible públicamente para la reproducibilidad.