RCPS:为半监督的医疗图像细分进行修正的对比伪监督

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 完全监督的医疗图像细分需要广泛的专家注释,这是昂贵和耗时的.
• 半监督方法利用未标记的数据,但与杂的伪标签和不良特征可分离性作斗争.
• 由于这些挑战,现有的半监督方法往往表现不佳.

研究的目的:

• 开发一种有效的半监督医疗图像细分方法,克服当前方法的局限性.
• 使用有限的标记数据来提高细分模型的稳定性和准确性.
• 加强特征表示,以便在医学图像中更好地进行阶级歧视.

主要方法:

• 拟议的纠正的对比伪监督 (RCPS) 结合了纠正的伪监督和声量级的对比学习.
• 实施了一种新的纠正策略,使用不确定性估计和一致性规范化来消除伪标签.
• 引入了一种双向的语音对比损失,以促进类内一致性和类间可分离性.

主要成果:

• 与公共和临床数据集上最先进的方法相比,RCPS表现出优越的细分性能.
• 整改策略有效地减少了伪标签中的噪声影响.
• 沃克塞尔级别的对比学习显著改善了特征空间中的类分离性.

结论:

• RCPS为半监督医疗图像细分提供了强大而有效的解决方案.
• 拟议的方法解决了从未标记的医疗图像中学习的关键挑战.
• RCPS实现了更好的细分精度,使其成为临床应用的有价值工具.