课程标签分配学习对不平衡的医疗图像细分的学习.

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 医学图像分析 医学图像分析

背景情况:

• 标签分布学习 (LDL) 通过处理边界模糊性,显示出对语义细分的承诺.
• 现有的LDL方法与不平衡的标签分布作斗争,其中模两可的区域代表性不足,导致偏见的学习和模两可的像素的预测不佳.

研究的目的:

• 提出一个新的课程标签分布学习 (CLDL) 框架,以克服基于LDL的语义细分中的数据不平衡问题.
• 通过改进对不平衡数据集的模型学习来提高对模糊像素的准确预测.

主要方法:

• 开发了一个课程标签分发学习 (CLDL) 框架,利用面向任务的课程学习策略.
• 引入区域标签分发学习 (R-LDL) 以构建平衡的标签分发,并改进不平衡模型的学习.
• 通过将细分分解为多个标签分布估计任务,提出了一个易于学习的任务课程 (TCL).
• 集成了先前感知模块 (PPM) 来连接学习阶段,使用更容易阶段的先验.

主要成果:

• 通过平衡的构建和事先的感知,CLDL框架有效地解决了不平衡的标签分配问题.
• 对BRATS2018和MM-WHS2017数据集的实验结果显示,细分指标的显著改善.
• 拟议的方法在语义细分任务中胜过了几种最先进的方法.

结论:

• 在语义细分中,CLDL框架为不平衡的标签分布学习提供了有效的解决方案.
• R-LDL,TCL和PPM的结合提高了模型学习和细分精度,特别是在模两可的地区.
• 这项研究证明了课程学习策略的潜力,以提高基于LDL的语义细分性能.