MetaSSL: una pérdida heterogénea general 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 (SSL) es crucial para reducir los costos de anotación en la segmentación de imágenes médicas.
• Los métodos SSL existentes a menudo pasan por alto el ruido de datos etiquetados y la heterogeneidad del valor del píxel.
• Los enfoques actuales se centran en la generación de predicción de referencia en lugar de la información de predicción de minería.

Objetivo del estudio:

• Proponer un marco universal, MetaSSL, para un aprendizaje semisupervisado más eficaz.
• Introducir una función de pérdida espacialmente heterogénea que pese los píxeles en función de la incertidumbre y la consistencia.
• Abordar las limitaciones de los métodos SSL existentes en relación con el ruido de los datos etiquetados y la heterogeneidad de los valores de píxeles no etiquetados.

Principales métodos:

• Desarrolló MetaSSL, un marco que utiliza una función de pérdida espacialmente heterogénea.
• Implementó una estrategia de ponderación de píxeles basada en cuatro regiones: Unánime y Confiado (UC), Unánime y Sospechoso (US), Discrepante y Confiado (DC) y Discrepante y Sospechoso (DS).
• Se introdujo un umbral adaptativo para diferenciar las predicciones seguras de las sospechosas y se aplicó la pérdida heterogénea a los datos etiquetados para un aprendizaje robusto.

Principales resultados:

• MetaSSL mejoró significativamente el rendimiento de segmentación cuando se integró con los marcos SSL existentes.
• El método propuesto demostró su eficacia en diferentes conjuntos de datos.
• La naturaleza plug-and-play de MetaSSL permite la aplicabilidad general a la mayoría de los métodos SSL.

Conclusiones:

• MetaSSL ofrece un enfoque novedoso para el aprendizaje semisupervisado al centrarse en la información de predicción de minería dentro de la función de pérdida.
• La pérdida espacialmente heterogénea aprovecha efectivamente la incertidumbre y la consistencia para mejorar la segmentación de imágenes médicas.
• MetaSSL proporciona una solución robusta y generalizable para reducir los costos de anotación en IA médica.