模型-异质性的半监督联合学习用于医疗图像分割

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:

• 医疗图像细分对于临床诊断至关重要,但面临着数据隐私和注释成本的挑战.
• 当前的协作培训方法忽视了获得细分注释的劳累性质.
• 平衡注释成本,细分性能和本地模型个性化是一个关键的研究挑战.

研究的目的:

• 引入一个新的模型-异质半监督联合 (HSSF) 学习框架.
• 为了减少注释负担,并在医疗图像细分中有效地利用未标记的数据.
• 确保不同临床场所之间的个性化.

主要方法:

• 开发了一个模拟异质的半监督联合 (HSSF) 学习框架.
• 拟议的规律凝聚和规律融合,用于选择性知识传输和个性化.
• 引入了一个自我评估 (SA) 模块,用于实时生成信心,以及一个可靠的伪标签生成 (RPG) 模块,用于创建伪标签.

主要成果:

• 与其他方法相比,HSSF框架在异质环境中表现出优越的性能.
• 该模型在均的设计中取得了令人赞叹的表现,特别是在基于地区的指标中.
• 根据皮肤损伤和多损伤数据集进行评估,显示显著改善.

结论:

• 该HSSF框架有效地解决了医学图像细分中的注释成本和数据隐私方面的挑战.
• 拟议的SA和RPG模块增强了未标记数据的利用,减少了手动注释的努力.
• 该框架确保了在不同站点之间有效的知识传输和个性化,提高了整体细分精度.