Co-entrenamiento asimétrico con desacoplamiento decodificador-cabeza para la segmentación de imágenes médicas...

Área de la Ciencia:

• Imágenes médicas de imágenes médicas.
• Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador
• Aprendizaje automático Aprendizaje automático.

Sus antecedentes:

• El aprendizaje semisupervisado (SSL) es crucial para la segmentación de imágenes médicas, reduciendo la carga de anotación mediante el uso de datos sin etiqueta.
• Los métodos de capacitación conjunta existentes se enfrentan a desafíos como el acoplamiento intra-red e inter-red, lo que lleva a una diversidad reducida y al sesgo de confirmación, especialmente para casos complejos.
• Estas limitaciones dificultan la fiabilidad del análisis de imágenes médicas en la práctica clínica.

Objetivo del estudio:

• Introducir AsyCo, un marco asimétrico de capacitación conjunta diseñado para mitigar los problemas de acoplamiento en la segmentación de imágenes médicas semisupervisadas.
• Mejorar la diversidad de predicción y la estabilidad del entrenamiento al desacoplar las interacciones decodificador-cabeza y hacer cumplir la consistencia jerárquica.
• Para mejorar la precisión y fiabilidad de la segmentación de imágenes médicas con una anotación mínima.

Principales métodos:

• AsyCo emplea el acoplamiento asimétrico del decodificador para desacoplar las conexiones de la cabeza del decodificador, lo que permite el mapeo dinámico de características para diversas rutas de predicción.
• Consistencia Jerárquica Se utiliza la regularización, que hace cumplir la consistencia en diferentes niveles: salidas de la rama, predicciones entre cabezas y representaciones intermedias.
• El marco rompe el acoplamiento intra-red y promueve la diversidad entre las redes sin requerir parámetros adicionales.

Principales resultados:

• AsyCo supera significativamente a nueve métodos de aprendizaje semisupervisado de última generación en tres puntos de referencia clínicos.
• El método propuesto demuestra mejoras consistentes bajo condiciones de etiqueta limitada.
• AsyCo reduce efectivamente el sesgo de confirmación y mejora la estabilidad del entrenamiento para la segmentación de imágenes médicas.

Conclusiones:

• AsyCo ofrece una solución efectiva para una segmentación de imágenes médicas precisa y confiable con requisitos de anotación reducidos.
• La capacidad del marco para mitigar los problemas de acoplamiento mejora su aplicabilidad en entornos clínicos del mundo real.
• Este enfoque contribuye a un análisis de imágenes médicas más confiable al mejorar la precisión y la robustez de la segmentación.