用可靠的伪标签进行相互学习,用于半监督的医疗图像细分

科学领域:

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

背景情况:

• 半监督学习减少了在医学成像中需要广泛的数据注释的需求.
• 伪标签是一个关键的技术,但不可靠的伪标签引入噪音并阻碍了模型的性能.
• 现有的方法难以准确识别和使用可靠的伪标签.

研究的目的:

• 在半监督医疗图像细分中,开发一种从可靠的伪标签中学习的方法.
• 解决确定可靠的伪标签和量化其可靠性的关键问题.
• 通过最大限度地减少杂的伪标签的影响来提高细分性能.

主要方法:

• 对两个子网络进行了比较分析,以评估伪标签的可靠性.
• 伪标签可靠性是通过比较子网络之间的预测信心来确定的.
• 预测类的类内相似性被用来进一步评估伪标签可靠性.

主要成果:

• 拟议的方法选择性地结合了基于伪标签可靠性的子网络的知识.
• 左心室,胰腺CT和Brats-2019数据集的实验结果显示出卓越的性能.
• 该方法有效地减少了来自不可靠的伪标签的噪声,从而提高了细分精度.

结论:

• 从可靠的伪标签中学习对于有效的半监督医疗图像细分至关重要.
• 提出的方法成功地识别和利用可靠的伪标签,实现最先进的结果.
• 这种方法提供了一个强大的解决方案,用于增强医疗图像细分,使用有限的注释数据.