半監視医療画像セグメンテーションのためのプロトタイプベースの一貫性を持つ安定性を認識するダブルヘッドネットワーク
Leyi Zhang1, Jiayi Li1, Yu Yan1
1College of Computer Science, Sichuan University, Section 4, Southern 1st Ring Rd, Chengdu, Sichuan 610065, P. R. China.
International journal of neural systems
|September 1, 2025
まとめ
この研究は,半監視医療画像セグメンテーションのための新しいデュアルヘッドアーキテクチャを導入し,クラス内のバリエーションと分布シフトに対処することによってパフォーマンスを改善します. この方法は,医療画像分析におけるセグメンテーションの精度と信頼性を高めます.
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:
- 医療画像のセマンティックセグメンテーションは,ラベルが付いていないデータを活用しますが,クラス内のバリエーションやドメイン分布の不一致などの課題に直面しています.
- 既存の方法はしばしば高価な訓練と意味論的な一貫性と空間的な詳細の保存の両方を達成するために苦労します.
研究 の 目的:
- 半監視医療画像セグメンテーションのための新しい安定性を意識する二重ヘッドアーキテクチャを提案する.
- プロトタイプベースと完全コンボリューションネットワーク (FCN) のメソドロジーを統合し,セグメンテーションパフォーマンスを向上させる.
- クラス内の差異とクラス領域の分布のシフトを効果的に軽減する.
主な方法:
- プロトタイプベースの方法 (特徴の一貫性) とFCN方法 (空間的な詳細) を統合した安定性を意識した二重ヘッドアーキテクチャ.
- 偏差と分布のシフトを減らすために,サンプルレベルの安定性を意識する適応的な拡張戦略.
- 動的な偽ラベルの精製のための確実性による融合プロセスです.
主要な成果:
- BRATS2019とLA Heartのデータセットで最先端の性能 (SOTA) を達成しました.
- 複数の評価指標において,以前のSOTA方法と比較して,著しい改善が示されました.
- 医療画像分析におけるドメインのギャップを効果的に埋め,偽のラベルの信頼性を強化しました.
結論:
- 提案されたフレームワークは,半監視医療画像セグメンテーションのための堅固なソリューションを提供します.
- 安定性を意識した二重ヘッドアーキテクチャは,精密なセグメンテーションのために意味学と空間情報を効果的に組み合わせます.
- このアプローチは,医療画像分析技術の信頼性と性能を向上させます.
