HPFG:基于混合伪标签和功能指导的半监督医疗图像细分框架
Feixiang Li1, Ailian Jiang2, Mengyang Li1
1College of Computer Science and Technology, Taiyuan University of Technology, Jinzhong, 030600, China.
Medical & biological engineering & computing
|October 24, 2023
概括
本研究引入了一种新的半监督学习框架 (HPFG),用于医疗图像细分. HPFG提高了伪标签质量和特征提取,在公共数据集上表现优于现有的方法.
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:
- 半监督学习对于医疗图像细分至关重要,因为注释有限.
- 现有的方法与伪标签噪音和对比性学习限制作斗争.
研究的目的:
- 提出一个新的半监督医疗图像细分框架,HPFG.
- 解决伪标签噪声问题,改善医学图像细分中的特征提取.
主要方法:
- HPFG框架使用CutMix和辅助网络的混合伪标签策略.
- 包含使用特征级对比学习的特征指导编码器.
- 采用功能引导解码器,具有自适应类级对比学习.
主要成果:
- 混合伪标签策略减少噪音,提高伪标签质量.
- 功能引导模块增强了本地和全球功能提取.
- 适应性课堂级对比学习解决了课堂不平衡.
结论:
- 在医疗图像细分方面,HPFG框架表现出比现有方法更高的性能.
- 提出的方法有效地提高了细分的准确性和稳定性.
- 对于半监督医疗图像细分的挑战,HPFG提供了一个有前途的解决方案.
