双不确定性引导的多模型伪标签学习,用于半监督的医疗图像细分
Zhanhong Qiu1, Weiyan Gan1, Zhi Yang1
1School of Computer Science, Hubei University of Technology, Wuhan 430068, China.
Mathematical biosciences and engineering : MBE
|March 8, 2024
概括
本研究引入了一种双不确定性引导的多模型伪标签学习框架 (DUMM),以改进半监督的医疗图像细分. DUMM提高了培训稳定性和伪标签质量,大大提高了细分性能.
科学领域:
- 医学图像分析 医学图像分析
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 半监督医疗图像细分对于临床应用至关重要.
- 伪标签学习是一种常见的技术,由于样本变化和噪音积累,受不稳定的训练和低质量的伪标签的影响.
- 现有的方法在伪标签生成中与固有的不确定性作斗争.
研究的目的:
- 提出一个新的框架,双不确定性引导的多模型伪标签学习 (DUMM),以解决半监督医疗图像细分中传统伪标签的局限性.
- 为了提高细分培训过程的稳定性和准确性.
- 通过利用双重不确定性机制来生成高质量的伪标签.
主要方法:
- 开发了一个基于样本级不确定性 (SUS) 的样本选择模块,用于稳定的培训过程.
- 实现了基于像素级不确定性 (PUM) 的多模型伪标签生成模块,以实现高质量的伪标签生成.
- 在ACDC2017和ISIC2018医疗图像数据集上验证了DUMM框架.
主要成果:
- 与基线相比,DUMM框架在子得分方面取得了显著改善,在ACDC2017上增加了6.5%,在ISIC2018上增加了4.0%.
- 在比较性半监督细分方法中表现出优越的性能.
- 拟议的方法有效地缓解了与伪标签质量和培训不稳定性相关的问题.
结论:
- 双不确定性引导的多模型伪标签学习框架 (DUMM) 是半监督医疗图像细分的可行和有效方法.
- 整合样本级和像素级不确定性可以提高训练稳定性和细分精度.
- 在医学成像中,DUMM为推进半监督学习提供了一个有希望的方向.
