C3MT: Profesor Medio de Contraste Calibrado por Confianza para Segmentación de Imágenes Médicas Semisupervisada

Área de la Ciencia:

• Análisis de Imágenes Médicas
• Visión por Computadora
• Aprendizaje Automático

Sus antecedentes:

• El aprendizaje semisupervisado es vital para la segmentación de imágenes médicas debido a la limitada cantidad de datos etiquetados.
• Los métodos existentes tienen dificultades con la representación de características, el desacuerdo entre subredes y las etiquetas seudo-rotuladas ruidosas.

Objetivo del estudio:

• Introducir un marco novedoso, C3MT (Profesor Medio de Contraste Calibrado por Confianza), para superar las limitaciones en la segmentación de imágenes médicas semisupervisada.
• Mejorar la representación de características, la estabilidad de la entrenamiento y la precisión de la segmentación en escenarios con baja anotación.

Principales métodos:

• Se implementó una estrategia de cotrenamiento basada en el aprendizaje de contraste con ajuste adaptativo del desacuerdo para la diversidad de la representación y la estabilidad de la entrenamiento.
• Se introdujo una estrategia de mezcla de regiones guiada por incertidumbre, calibrada por confianza y alineada por categorías, para filtrar las etiquetas seudo-rotuladas poco fiables y mantener la coherencia anatómica.

Principales resultados:

• C3MT mejora significativamente la representación de características, la estabilidad de la entrenamiento y la calidad de la segmentación, particularmente en entornos con baja anotación.
• Se logró un rendimiento superior en comparación con los métodos de vanguardia en los conjuntos de datos ACDC, Synapse y LA.
• Se demostró una mejora de hasta el 4,3% en la puntuación Dice promedio y una reducción de >1,0 mm en HD95 en el conjunto de datos ACDC con el 20% de los datos etiquetados.

Conclusiones:

• El marco C3MT ofrece una solución robusta para la segmentación de imágenes médicas semisupervisada, abordando los desafíos clave de los métodos existentes.
• Las estrategias propuestas mejoran eficazmente la precisión y la fiabilidad de la segmentación, incluso con una mínima cantidad de datos etiquetados.