通过基于原型的伪标签和对比学习进行联合的半监督医疗图像细分

科学领域:

• 医学成像分析 医学成像分析
• 机器学习 机器学习
• 联邦学习学习 (Federated Learning) 是一种学习方式.

背景情况:

• 联合学习通常需要完全监督的数据,这在临床环境中往往是不可用的.
• 许多临床场所缺乏数据注释的资源或专业知识,限制了监督学习的使用.
• 现有的联合学习方法不适合在不同客户端中混合标记和未标记数据的场景.

研究的目的:

• 在现实的临床场景中应对联合半监督细分 (FSSS) 的挑战.
• 开发一种新的FSSS方法,有效利用未标记的数据.
• 为了提高医疗成像任务的细分精度,在有限的注释.

主要方法:

• 提出了一种新的FSSS方法,结合了基于原型的伪标签和对比学习.
• 在未标记的客户端上使用了标记聚合模型来生成无误的伪标签.
• 在未标记的数据上实施原型对比学习,以增强特征歧视.
• 在动态模型权重中采用了一致性意识的聚合策略.

主要成果:

• 在COVID-19X射线和CT细分以及结肠直肠多片细分方面表现出一致的有效性.
• 拟议的方法成功地对受感染区域和多进行细分,标记数据有限.
• 实验结果验证了FSSS方法在实际医疗应用中的有效性.

结论:

• 开发的FSSS方法为缺乏标记数据的医疗图像细分任务提供了可行的解决方案.
• 伪标签和对比学习的整合显著改善了在联合设置中的细分性能.
• 这项工作为医疗保健中更实用和资源效率更高的联合学习应用铺平了道路.