对半监督医疗图像细分的信心引导的面具学习
Wenxue Li1, Wei Lu2, Jinghui Chu2
1The School of Future Technology, Tianjin University, Tianjin, 300072, China.
Computers in biology and medicine
|September 9, 2023
概括
本研究介绍了 Confidence-Guided Mask Learning (CGML),用于半监督的医疗图像细分. CGML通过使用掩盖图像重建和以信心为导向的策略来改善模型性能,以减少确认偏差.
科学领域:
- 医学图像分析 医学图像分析
- 机器学习 机器学习
- 计算机视觉 计算机视觉
背景情况:
- 半监督学习利用有限的标记数据和大量的未标记数据进行模型培训.
- 当前的方法经常存在确认偏差,限制了精确细分任务的性能.
- 解决确认偏差对于推进半监督医疗图像细分至关重要.
研究的目的:
- 为半监督医疗图像细分提出一种新的自信引导面具学习 (CGML) 方法.
- 在不确定的地区加强特征代表性学习和模式歧视.
- 通过减轻确认偏差来产生更可靠的细分结果.
主要方法:
- 引入了一个辅助生成任务,使用面具学习来重建面具图像.
- 制定了以信任为指导的掩盖策略,以改善在不确定的领域的歧视.
- 实现了三重一致性损失,以便在原始,掩盖和重建图像中进行一致的预测.
主要成果:
- 拟议的CGML方法显示了性能的显著改善.
- 在两个数据集上的实验证实了新方法的有效性.
- 该方法成功增强了特征表示和模型歧视.
结论:
- 自信引导面具学习 (CGML) 为半监督医疗图像细分提供了一个有希望的解决方案.
- 面具学习和信心指导的整合有效地解决了确认偏差.
- 提出的方法实现了显著的性能,推进了医疗图像分析领域.
