集群再监督:弥合图像级和像素级标签之间的差距,用于弱监督的医疗图像细分

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:

• 软弱的监督学习减少了对医学图像细分中的深度学习的像素智能注释的依赖.
• 类激活地图 (CAM) 用于像素智能定位,但由于图像级标签,通常会导致不足或过度细分.
• 医疗数据有限加剧了诸如细分不足 (假阴性) 和过分细分 (假阳性) 等问题.

研究的目的:

• 解决监督较弱的医疗图像细分中的不足和过度细分问题.
• 从图像级标签生成像素智能限制的新范式的开发.
• 为了改进CAM,提高细分精度.

主要方法:

• 提出了一个"集群再监督"范式,使用无监督的集群来评估CAM中的像素贡献.
• 生成像素智能监控 (集群地图) 来改进CAM并减少细分错误.
• 集成自主监督学习,采用跨模式图像重建模块和随机掩盖来增强特征学习和稳定集群.

主要成果:

• 在两个公共医疗图像细分数据集上,提出的弱监督框架的表现卓越.
• 成功地减少了细分不足 (假阴性) 和过分细分 (假阳性).
• 验证了集群再监督在精炼CAMs中的有效性.

结论:

• 拟议的集群再监督框架显著改善了监督较弱的医疗图像细分.
• 该方法有效地从图像级标签中生成像素智能限制,克服传统基于CAM的方法的局限性.
• 集群再监督是独立于任务的,可扩展到其他应用程序.