Aumento adversario a nivel de instancia maestro-alumno para segmentación de imágenes médicas generalizadas de dominio...

Área de la Ciencia:

• Análisis de imágenes médicas
• Visión por computadora
• Aprendizaje automático

Sus antecedentes:

• La generalización de dominio de fuente única (SDG) es crucial para la segmentación de imágenes médicas.
• El aumento de imagen adversario genera datos sintéticos desafiantes, pero a menudo sufre una diversidad limitada debido a los aumentadores simples a nivel de imagen.
• Los métodos existentes corren el riesgo de un aumento excesivo, lo que dificulta la generalización del modelo.

Objetivo del estudio:

• Proponer un nuevo modelo de aumento de la oposición a nivel de instancia maestro-estudiante (TSIAA) para la segmentación generalizada de imágenes médicas.
• Mejorar las representaciones generalizables de dominio explorando distribuciones de datos fuera de la fuente.
• Mejorar la diversidad y la eficacia de las técnicas de aumento adversas.

Principales métodos:

• Desarrolló un Aumentador de Imágenes de Nivel de Instancia (IIAG) utilizando Módulos de Aumento de Nivel de Instancia (IAM) basados en la transformación de Bézier restringida que se puede aprender.
• Aprendizaje maestro-alumno (AT) implementado a través de un enfoque adversarial, alternando el aumento de imágenes novedosas y el aprendizaje de representación generalizada.
• Aseguró características consistentes y generalizadas entre las características originales y aumentadas a través de actualizaciones continuas de estudiantes y profesores.

Principales resultados:

• El modelo TSIAA propuesto mejora significativamente el rendimiento en cuatro tareas desafiantes de los ODS.
• El aumento a nivel de instancia rompe la uniformidad del aumento, ofreciendo una mayor diversidad en comparación con los métodos a nivel de imagen.
• TSIAA deriva efectivamente representaciones generalizables en el dominio mediante la exploración de distribuciones de datos fuera de la fuente.

Conclusiones:

• TSIAA ofrece un enfoque más diverso y eficaz para el aumento adversarial para la segmentación de imágenes médicas.
• El modelo logra resultados de última generación en tareas de generalización de dominio de una sola fuente.
• Este trabajo avanza en el campo de la segmentación de imágenes médicas generalizadas a través de estrategias de aumento adversarial innovadoras.