双CNN交叉教学半监督细分网络,具有多个内核和全球对比损失在ACDC
Keming Li1, Guangyuan Zhang1, Kefeng Li2
1School of Information Science and Electric Engineering, Shandong Jiaotong University, Jinan, China.
Medical & biological engineering & computing
|September 8, 2023
概括
本研究介绍了一种使用双重卷积神经网络 (CNN) 和对比学习的新型半监督细分网络. 该方法显著提高了心脏图像细分精度,使用有限的标记数据.
科学领域:
- 医学图像分析 医学图像分析
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 使用卷积神经网络 (CNN) 和变压器进行半监督学习是有前途的,但忽视了中等规模的语义特征,并未充分利用特征编码信息.
- 现有的方法很难有效地充分整合本地和全球信息.
研究的目的:
- 提出一个新的半监督细分网络,解决当前交叉教学方法的局限性.
- 增强用于医学图像细分的半监督学习中的语义特征和编码信息的利用.
主要方法:
- 设计了一个双重CNN交叉监督网络,具有不同的内核大小,利用互补的建模信息.
- 引入全球特征对比学习,通过双重CNN架构生成对比样本.
- 用人交叉教学对标记 (监督) 和未标记 (双CNN交叉教学监督) 数据.
主要成果:
- 在自动心脏诊断挑战 (ACDC) 数据集中,仅使用10%的标记数据,获得了87.2%的平均子相似系数 (DSC).
- 获得了6.1毫米的豪斯多夫距离,比现有的流行型号显著改进.
- 验证了双重CNN架构和对比学习在优化参数和改进细分方面的有效性.
结论:
- 拟议的双CNN交叉监督网络与全球特征对比学习提供了在半监督医疗图像细分方面的重大进步.
- 该方法通过交叉教学和对比学习有效利用未标记的数据,有效地利用有限的标记数据.
- 与当前最先进的模型相比,这种方法在心脏图像细分方面表现出卓越的性能.
