通过特征相似性和可靠区域增强的半监督医疗图像细分

科学领域:

• 计算机视觉 计算机视觉
• 医学图像分析 医学图像分析

背景情况:

• 医疗图像细分至关重要,但由于广泛的注释要求而受到阻碍.
• 半监督方法提供了一个解决方案,但现有的方法未充分利用未标记的数据和伪标签.

研究的目的:

• 解决半监督医疗图像细分方面的局限性.
• 引入一个新的模型,FSRENet,用于增强功能利用和可靠的伪标签.

主要方法:

• 开发了特征相似性模块 (FSM) 来利用未标记数据中的密集特征.
• 引入了可靠区域增强模块 (REM),具有三重网络结构,用于高可靠性伪标签生成.
• 实施了一项战略,以加强可靠的地区和减少伪标签噪音.

主要成果:

• 在医疗图像的半监督语义细分方面,FSRENet表现出卓越的性能.
• 该模型在ACDC和LA数据集上表现优于现有的方法.
• 实现了对未标记数据和伪标签信息的改进利用.

结论:

• FSRENet有效地克服了医学图像细分中的注释挑战.
• 拟议的模型为医学成像的半监督学习提供了显著的进步.
• FSRENet为准确的医疗图像细分提供了强大而高效的解决方案.