超半监督的医疗图像细分与标签层次结构
Hai Xu1, Hongtao Xie1, Qingfeng Tan2
1School of Information Science and Technology, University of Science and Technology of China, Hefei, 230026 Anhui China.
Health information science and systems
|June 16, 2023
概括
这项研究引入了一种新的基于meta的半监督学习框架,用于医疗图像细分. 它通过使用标签层次结构和域泛化来弥合监督和无监督方法之间的知识差距,实现最先进的结果.
科学领域:
- 医学图像分析 医学图像分析
- 机器学习 机器学习
- 计算机视觉 计算机视觉
背景情况:
- 半监督学习 (SSL) 对于医疗图像细分至关重要,利用未标记的数据.
- 当前的SSL方法经常使用基于扰动的一致性规范化,这可能会受到杂的目标和知识差距的影响.
- 这种差距存在于监督指导和不受监督的正规化目标之间.
研究的目的:
- 提出基于元数据的半监督细分框架,以弥合医学成像方面的知识差距.
- 改进在医疗图像细分任务中对未标记数据的利用.
- 为了提高细分模型的稳定性和准确性.
主要方法:
- 提出了一个新的基于元数据的半监督细分框架.
- 关键组件包括"划分和概括"和"标签层次"的利用.
- 具有元优化目标的域泛化弥合了知识差距,层次一致性提炼了杂的目标.
主要成果:
- 拟议的框架有效地弥合了监督和无监督学习之间的知识差距.
- 在自我预测的目标中提取层次一致性以减轻噪音.
- 在两个公共医疗细分基准上取得了最新的新结果.
结论:
- 基于元的框架为半监督的医疗图像细分提供了一种优越的方法.
- 利用标签层次结构和域泛化可以提高模型的性能.
- 该方法在现有的SSL技术上显示了显著的改进.
