模糊性-选择性一致性规范化用于平均教师半监督的医疗图像细分

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 计算机视觉 计算机视觉

背景情况:

• 半监督学习通过减少对专家注释的依赖,显著提升了医疗图像细分.
• 平均教师模型,一种扰乱一致性学习方法,是这个任务的共同基准.
• 现有的方法往往忽略了从未标记的数据中选择信息一致性目标的关键方面.

研究的目的:

• 通过引入一种新的模糊性-共识平均教师 (AC-MT) 模型来改进平均教师模型.
• 在未标记的医学图像数据中利用来自模两可的区域的信息补充线索.
• 为了提高半监督医疗图像细分的效率和准确性.

主要方法:

• 开发并对基于,模型不确定性和标签噪音自我识别的模两可的目标选择进行基准测试的一系列插件策略进行了基准测试.
• 将估计的模两可地图纳入一致性损失函数,以促进信息区域的共识.
• 专注于从未标记的数据中这些已识别的信息区域的扰乱稳定性中学习.

主要成果:

• 该AC-MT模型在左心室和脑瘤细分方面表现出了与当前最先进的方法相比的显著改进.
• 废除研究验证了拟议的策略,并在各种极端注释条件下展示了令人印象深刻的性能.
• 该方法有效地从未标记的数据中识别和利用最有价值的voxel-wise目标.

结论:

• 拟议的模两可的共识方法显著增强了半监督的医疗图像细分.
• 专注于模两可的地区和混乱的稳定性提供了一个更有效的学习策略.
• AC-MT提供了一个强大的和可适应的框架,用于医疗图像细分与有限的注释.