MDT:半监督的医疗图像细分与混合解培训.
Jianwu Long1, Yan Ren1, Chengxin Yang1
1College of Computer Science and Engineering, Chongqing University of Technology, Chongqing 400054, People's Republic of China.
Physics in medicine and biology
|February 7, 2024
概括
本研究介绍了混合脱训练 (MDT),这是一种新的半监督医疗图像细分方法. 通过有效利用有限的注释数据,MDT提高了细分性能,解决了专家级数据稀缺的挑战.
科学领域:
- 医学图像分析 医学图像分析
- 计算机辅助诊断 计算机辅助诊断
- 机器学习 机器学习
背景情况:
- 半监督细分在医学上至关重要,但受到专家注释的稀缺数据的阻碍.
- 现有的方法往往不一致地处理标记/未标记的数据,丢弃有价值的信息,忽视伪标记偏见.
- 挑战包括有限的数据扰动,确认偏差和伪标签中的类不平衡.
研究的目的:
- 提出一种新的半监督医疗图像细分方法,混合脱训练 (MDT).
- 解决现有方法在处理稀缺的注释数据和伪标签问题方面的局限性.
- 为了提高细分性能并减少对手动数据注释的需求.
主要方法:
- 引入了"混合脱"扰动策略,用于数据和特征层面的数据规范化.
- 建立了一个双重学习范式,将一致性和伪标签结合起来.
- 采用分类过来进行高可靠性伪标签选择.
主要成果:
- MDT在2D和3D数据集上展示了具有竞争力的细分性能.
- 实验结果显示,MDT的性能优于最先进的半监督细分方法.
- 与现有方法相比,取得了优越的定量和质量结果.
结论:
- MDT显著减少了手动标记医疗数据的需求,缓解了注释困难.
- 该方法为医学成像中半监督学习提供了一种新的,可适应的方法.
- MDT促进了半监督学习和计算机辅助诊断技术的研究.
