半监督医疗图像细分与联合分配对齐
Tao Wang1,2,3, Zhongzheng Huang2, Jiawei Wu4
1Fujian Provincial Key Laboratory of Information Processing and Intelligent Control, College of Computer and Control Engineering, Minjiang University, Fuzhou 350108, China.
Bioengineering (Basel, Switzerland)
|July 29, 2023
概括
本研究引入了用于半监督医疗图像细分的共同分布对齐 (Co-DA),有效地解决了数据稀缺性和阶级不平衡问题. 通过对模型之间的预测进行对齐,Co-DA提高了对少数群体类别的细分精度,优于现有方法.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 医疗图像细分在很大程度上依赖于大型标记数据集,由于需要专家注释,这些数据集的创建是昂贵和耗时的.
- 医疗图像中的类别分布不均,往往导致代表性不足的类别的表现不佳,阻碍诊断准确性.
- 当前的半监督方法在医疗图像细分中面临着有限的标记数据和不平衡类的挑战.
研究的目的:
- 提出一种新的半监督方法,即联合分布对齐 (Co-DA),用于医疗图像细分.
- 解决医疗图像细分数据集中昂贵的注释和类不平衡的局限性.
- 为了提高细分性能,特别是少数群体,使用有限的标记数据.
主要方法:
- 同分配对齐 (Co-DA) 在未标记的数据上对准两个不同初始化的模型之间的类智能边际预测.
- 由一个模型生成的伪标签用于监督另一个模型,促进知识传输.
- 引入了一个过度预期的交叉损失,以从未标记的像素中过噪音的伪标签.
主要成果:
- 与最先进的方法相比,Co-DA在公共2D CaDIS,3D LGE-MRI和ACDC数据集上取得了更高的性能.
- 该方法在CaDIS上使用仅24%的标记数据获得了0.8515的mIoU.
- 在LGE-MRI上的0.8824和ACDC上的0.8773的子得分仅在20%的标记数据中实现.
结论:
- 联合分发对齐 (Co-DA) 是医疗图像细分的有效半监督策略,显著减少对广泛注释的依赖.
- 提出的方法即使在有限的标记数据下也显示出强大的性能,并解决了阶级不平衡的挑战.
- 在资源有限的场景中,Co-DA为提高医疗图像细分效率和准确性提供了一个有希望的解决方案.
