双边监督网络为半监督医疗图像分割的双边监督网络.

科学领域:

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

背景情况:

• 图像细分的完全监督学习需要广泛的像素级注释,这是昂贵的,需要领域专业知识,特别是在医学成像中.
• 半监督学习 (SSL) 提供了一个解决方案,利用丰富的未标记数据来减少对标记样本的依赖.
• 现有的流行的SSL方法,如Mean-Teacher (MT) 面临限制,包括培训瓶和不充分使用未标记的数据信息.

研究的目的:

• 为了解决目前在图像细分方面的半监督学习方法的局限性.
• 提出一个新的双边监督网络 (BSNet),以增强来自标记和未标记数据的学习.
• 提高图像细分的准确性和稳定性,特别是在医疗应用中.

主要方法:

• 开发了一个双边监管网络 (BSNet),将双边指数移动平均线 (双边-EMA) 纳入模型权重更新.
• 实施了双重学习方法,其中学生和教师模型都在标记数据上接受培训,并相互学习.
• 使用伪标签对未标记数据进行双边监督,并通过对抗性学习来生成更可靠的伪标签来增强.

主要成果:

• 在三个数据集上进行了广泛的实验,证明了BSNet在半监督图像细分方面的有效性.
• 与现有的最先进的半监督学习方法相比,BSNet取得了显著的性能改善.
• 拟议的双边监督和对抗性学习组件有助于提高细分精度.

结论:

• 在半监督学习中,BSNet有效地克服了传统的平均教师模式的局限性.
• 拟议的方法通过更有效地利用未标记的数据,显著提高了图像细分性能.
• 对于半监督图像细分来说,BSNet是一个有前途的进步,特别是在医疗成像等数据稀缺领域.