相关实验视频
Updated: Jul 9, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
406
无源域自适应细分与类平衡的补充自我训练
Yongsong Huang1, Wanqing Xie2, Mingzhen Li3
1Harvard Medical School, Harvard University, Boston, MA, USA; Department of Communications Engineering, Graduate School of Engineering, Tohoku University, Sendai, Miyagi, Japan; Gordon Center for Medical Imaging, Massachusetts General Hospital, Boston, MA, USA.
Artificial intelligence in medicine
|December 2, 2023
概括
本研究引入了一个新的类平衡的补充自我训练 (CBCOST) 框架,用于源代码免费的无监督域调整 (SFUDA) 分段. 在没有源数据的情况下,CBCOST有效地解决了类不平衡和伪标签噪声,提高了细分精度.
科学领域:
- 计算机视觉和机器学习
- 医学图像分析 医学图像分析
背景情况:
- 无监督域调整 (UDA) 对于将模型应用于新数据集至关重要,但由于隐私,标记源数据访问往往受到限制.
- 无源UDA (SFUDA) 提供了一个解决方案,但与阶级不平衡 ("赢家夺取一切") 和自我培训中的杂伪标签作斗争.
- 现有的SFUDA方法往往无法充分细分少数群体,并且容易产生过度自信的伪标签噪音.
研究的目的:
- 提出一个新的框架,类平衡的补充自我训练 (CBCOST),以克服无源无监督域调整 (SFUDA) 细分的局限性.
- 通过解决SFUDA中的类不平衡和伪标签噪声来提高细分性能.
- 为了使有效的知识从标记的源域转移到未标记的目标域,而无需在调整过程中使用源数据.
主要方法:
- 开发了一个CBCOST框架,通过两个关键组成部分共同优化伪标签自我训练:类智能平衡伪标签训练 (CBT) 和补充自我训练 (COST).
- CBT利用细粒度的类智能信心和适应值来选择平衡的伪标签像素,减轻'赢家夺取全部'问题.
- COST采用启发式补充标签选择来过不正确的伪标签,减少噪音并提高模型的稳定性.
主要成果:
- 与现有的SFUDA方法相比,CBCOST框架在各种细分任务中表现出更高的性能.
- 在2D/3D交叉模式心脏和脑瘤细分上进行评估,CBCOST取得了具有竞争力的结果,与使用源数据的传统UDA方法相美.
- 实验结果验证了CBCOST在处理类不平衡和伪标签噪声方面的有效性,以改善SFUDA细分.
结论:
- 拟议的CBCOST框架有效地解决了SFUDA中的关键挑战,即阶级不平衡和伪标签噪音.
- 当源数据不可用时,CBCOST为域调整提供了一个强大的解决方案,实现高分段精度.
- 这种方法显示了在医疗图像细分领域的真实应用的巨大潜力,数据隐私是一个问题.
