SC-SSL:半监督医疗图像分割的自纠正协作和对比联合培训模型

科学领域:

• 医学图像分析 医学图像分析
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 深度神经网络显著提升了医疗图像细分,但需要大量的标记数据,这很难获得.
• 半监督学习 (SSL) 通过利用未标记的数据显示出医疗图像细分的希望,但往往忽视了从这些数据中获得的学习目标的质量.

研究的目的:

• 提出一种新的自我纠正的共同培训方案,用于医疗图像细分中的未标记数据生成改进的学习目标.
• 通过完善半监督学习中使用的目标的质量,提高细分模型的可靠性和准确性.

主要方法:

• 一个自我纠正的模块推进学习目标生成作为一个学习任务,增加对无注释数据的信心.
• 施加结构约束,以强制改善学习目标和协作网络输出之间的形状相似性.
• 引入了像素智能对比学习损失以提高表示能力,以改进的学习目标为指导,以有效地探索带有语义上下文的未标记数据.

主要成果:

• 提出的方法在四个公共数据集 (ACDC,M&Ms,胰腺-CT,Task_07 CT) 上进行了广泛的评估,与最先进的半监督方法进行了对比.
• 跨不同标记数据比率的实验结果表明,拟议的方法优于现有技术.
• 这种方法有效地提高了半监督医疗图像细分性能.

结论:

• 通过提高学习目标质量,新型的自我纠正联合培训方案显著增强了半监督的医疗图像细分.
• 该方法能够产生更准确的目标并提高代表能力,这使得该方法与当前方法相比具有更高的性能.
• 这项工作提供了一种更有效和有效的策略,用于在医疗图像细分任务中利用未标记的数据.