半监督表示学习用于医疗卷和序列上的细分

科学领域:

• 医疗图像分析 医学图像分析
• 深度学习是一种深度学习.
• 计算机视觉 计算机视觉 计算机视觉

背景情况:

• 深度学习在二维图像细分方面表现出色,但由于注释成本,它在高维医学数据方面扎.
• 现有的自我/半监督方法缺乏局部特征歧视和体积结构的利用.

研究的目的:

• 为医疗体积/序列分割开发一个半监督的表示学习方法.
• 增强编码器和解码器功能,以提高对有限的标记数据进行细分的性能.

主要方法:

• 提出了使用切片连续性进行编码器特征增强的以注意引导预测器为导向的不对称网络.
• 引入了基于语义一致性的解码特征规范化的语义对比学习.
• 通过使用标记和未标记的医疗卷/序列,共同训练模型.

主要成果:

• 在具有有限标签的基准数据集 (ACDC,前列腺,CAMUS) 上,与现有方法相比,取得了显著的性能增长.
• 在没有域调整技术的情况下,证明了M&M数据集的改进.
• 密集的评估证实了代表性采矿的有效性和整体性能优越性.

结论:

• 拟议的半监督方法通过改善特征表示,有效地增强了医疗图像细分.
• 新型编码器和解码器模块有助于提高性能,特别是在低数据模式下.
• 这种方法对未知领域的数据进行细分是有前途的,不需要专门的调整.