半监督医疗图像分割与多尺度对比学习和交叉监督

科学领域:

• 医疗图像分析 医学图像分析
• 机器学习是机器学习.
• 计算机视觉 计算机视觉 计算机视觉

背景情况:

• 医学图像细分对于诊断和治疗计划至关重要.
• 有限的注释数据阻碍了准确的细分模型的开发.
• 现有的方法通常需要大量的手动注释,增加成本和时间.

研究的目的:

• 开发一种半监督细分方法,以解决注释医疗图像的稀缺问题.
• 通过交叉监督和多尺度对比学习来提高模型的通用性.
• 为了提高医疗图像细分任务的性能,数据有限.

主要方法:

• 一个半监督的细分框架,利用多尺度的对比学习.
• 输入图像和特征干扰的应用,并进行交叉监督以确保一致性.
• 整合了补丁级和像素级的对比学习来完善特征表示.

主要成果:

• 拟议的方法在三个公共数据集 (脑瘤,左心房,细胞核细分) 上,与最先进的技术相比,表现优越.
• 尽管使用有限的注释,但实现了与完全监督的方法可比的细分性能.
• 验证了学习特征的加强的类内紧性和类间分离性.

结论:

• 开发的半监督方法有效地克服了医学图像细分中的注释限制.
• 该方法为临床应用提供了可行的解决方案,需要精确的细分与稀缺的数据.
• 该框架的适应性表明,它有可能扩展到各种临床成像任务.