不确定性引导的交叉学习通过CNN和变压器进行半监督的蜂肺损伤细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 像CNN和变压器这样的深度学习模型在医学图像细分方面表现出色.
• 有限的像素级注释阻碍了医疗图像细分性能.
• 半监督学习通过利用未标记的数据来解决注释稀缺问题.

研究的目的:

• 开发一种半监督式学习方法,用于精确的医疗图像细分,并提供有限的注释.
• 使用有限的注释数据来增强蜂肺病变细分.
• 通过有效利用未标记的医疗图像来提高细分模型的性能.

主要方法:

• 提出了一种以不确定性为导向的交叉学习方法,将卷积神经网络 (CNN) 和变压器模型结合起来.
• 采用交叉学习,其中一个模型的预测作为另一个模型的伪标签.
• 综合的认识体系不确定性,以指导高信心地区的学习,并减轻伪标签错误.
• 使用伪标签策略的显式和隐式一致性规范化.

主要成果:

• 在蜂巢肺损伤细分试验组中获得了88.49%的Dice系数.
• 与现有的半监督学习方法相比,证明了最先进的性能.
• 通过对蜂巢肺部CT数据集进行全面的比较和切除实验进行验证.

结论:

• 不确定性引导的交叉学习方法显著提高了蜂巢肺病变细分精度.
• 这种方法为医生在诊断和治疗蜂巢肺部疾病方面提供了宝贵的工具.
• 有效地克服了医疗图像细分任务中有限注释的挑战.