AHU-MultiNet:基于多任务医疗图像细分网络中的同源性不确定性的自适应性损失平衡
Shasha Liu1, Hailing Wang1, Yan Li1
1The MOE Research Center for Software/Hardware Co-Design Engineering, East China Normal University, Shanghai, China.
Computers in biology and medicine
|October 20, 2023
概括
本研究介绍了AHU-MultiNet,这是一种用于医疗图像细分的新型半监督方法,通过关注模两可的区域来提高准确性. 适应性损失平衡策略提高了对基准数据集的细分性能.
科学领域:
- 医疗图像分析 医学图像分析
- 计算机辅助诊断是一种计算机辅助的诊断.
- 机器学习用于医疗保健
背景情况:
- 由于注释挑战,半监督学习对于医疗图像细分至关重要.
- 现有的方法往往忽略了模两可的区域,限制了细分的准确性.
- 多任务学习可以增强特征提取并提高细分性能.
研究的目的:
- 提出一种新的半监督方法,AHU-MultiNet,以改善医疗图像细分.
- 解决目前半监督方法中处理模两可的地区的局限性.
- 为有效的多任务学习引入适应性损失平衡策略.
主要方法:
- 开发了AHU-MultiNet,这是一个具有细分,签名距离和轮检测任务的多任务网络.
- 实施了跨任务一致性机制,以改善信息提取.
- 引入了一种基于同等级的不确定性的适应性损失平衡策略,以优化任务权重.
主要成果:
- 辅助任务强制执行前形状,导致更准确的细分面具.
- 适应性损失平衡策略有效地管理多任务权重.
- 在2018年心房细分挑战和2017年肝癌细分挑战的基准上取得了最先进的表现.
结论:
- AHU-MultiNet显著改善了半监督的医疗图像细分.
- 拟议的适应性损失平衡策略提高了多任务学习的有效性.
- 该方法在细分具有挑战性的医疗图像方面表现出卓越的性能.
