课程一致性学习和半监督医疗图像分割中的多尺度对比约束
1Department of Computer and Information Engineering, School of Science and Engineering, The Chinese University of Hong Kong (Shenzhen), Shenzhen 518000, China.
Bioengineering (Basel, Switzerland)
|January 22, 2024
概括
这项研究引入了一种新的课程一致性方法,用于半监督的医疗图像细分,以稀疏的数据改进神经网络学习. 该方法增强了特征表示和模型概括,大大提高了细分精度.
科学领域:
- 医学图像分析 医学图像分析
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 数据稀缺是医疗图像细分的一个主要障碍.
- 半监督学习通过利用有限的标记数据提供了一个解决方案.
- 现有的方法往往难以实现最佳的融合和概括.
研究的目的:
- 为半监督医疗图像细分引入课程一致性约束.
- 通过模拟人类的学习过程来增强神经网络的学习.
- 改进特征表示和模型通用化.
主要方法:
- 通过动态调整补丁大小来实现课程一致性约束.
- 采用多尺度对比学习来提取更丰富的语义和点智能的特征.
- 利用来自多个网络层的功能来实现全面的表示.
主要成果:
- 在Kvasir-SEG数据集上,平均交叉与联合 (mIoU) 增加了9.2%.
- 在医疗图像细分方面超越了最先进的半监督方法.
- 演示了改进的收优化和通用化能力.
结论:
- 拟议的课程一致性约束对于半监督的医学图像细分是有效的.
- 多尺度对比学习增强了特征表示和模型性能.
- 该方法成功地解决了医学成像中的数据稀缺性挑战.
