半監視医療画像セグメンテーションのための多様性強化のコラボレーションマンバ

科学分野:

• 医学画像分析
• コンピュータビジョン
• 機械学習

背景:

• 高品質な注釈された医療データは高価で 時間のかかるものです
• 半監督学習は,偽のラベリングのためにラベルのないデータを使用することによって,アノテーションの負担を軽減します.
• マンバのような ステート・スペース・モデルは 遠隔依存性を捉えるのに優れています

研究 の 目的:

• 半監視医療画像セグメンテーションにおける先進的な状態空間モデルの可能性を調査する.
• データ,ネットワーク,機能の多様性を高める新しいフレームワーク,DCMambaを提案する.

主な方法:

• マンバのスキャンに合わせた パッチレベルの 弱い強い混合増強を開発した
• 方向性予測の不一致を活用する 多様なスキャンコラボレーションモジュールを導入した.
• 特徴表現の多様性を高めるため,不確実性加重対照学習を実施しました.

主要な成果:

• DCMambaは,半監視医療画像セグメンテーションで優れたパフォーマンスを示しました.
• 最新のSSMベースの方法よりも6. 69%の改善をシナプスデータセットで20%のラベルデータで達成しました.

結論:

• DCMambaは,データ,ネットワーク,機能の多様性を効果的に利用し,半監視セグメンテーションを改善します.
• 提案された枠組みは,限られた注釈を持つ医療画像の効率的なセグメンテーションのための有望な方向性を提供します.