持续优化的平均教师为半监督的3DMRI图像分割
Ning Li1, Yudong Pan1, Wei Qiu1
1School of Computer Science and Technology, Laboratory for Brain Science and Medical Artificial Intelligence, Southwest University of Science and Technology, Mianyang, 621010, People's Republic of China.
Medical & biological engineering & computing
|March 22, 2024
概括
这项研究引入了一种新的框架,以增强医疗图像细分的半监督学习. 该方法优化了使用专家数据的教师模型,在有限标签的MRI数据集上取得了竞争性结果.
科学领域:
- 医学图像分析 医学图像分析
- 机器学习 机器学习
- 计算机视觉 计算机视觉
背景情况:
- 半监督学习 (SSL) 方法,特别是平均教师模型,在磁共振成像 (MRI) 细分方面表现有前途.
- 教师模型中的指数移动平均值 (EMA) 被不可靠的未标记数据所阻碍,影响了预测准确性.
- 现有的SSL方法在医学成像中与噪音和数据稀缺性作斗争.
研究的目的:
- 为优化SSL中医疗图像细分的教师模型提出一个新的框架.
- 利用专家注释的数据来提高教师模型的可靠性,同时保留EMA的好处.
- 在MRI细分任务中增强对噪音无标数据的稳定性.
主要方法:
- 一个框架优化教师模型可靠的专家数据,减轻EMA对未标记图像的依赖.
- 使用不同的数据增强策略:教师的增强弱,学生模型的增强强.
- 整合一个双软max机制来提高抗噪声和信息学习.
主要成果:
- 在使用仅20%标记数据的左心室 (LA) 数据集上获得了91.02%的子得分,接近监督性能 (91.14%与100%数据).
- 证明了BraTS2019数据集的显著改进:与基线方法相比,标记数据分别为1.02%和1.92%的增长,分别为5%和10%.
- 拟议的方法在半监督医疗图像细分方面表现出竞争力.
结论:
- 拟议的框架有效地优化SSL中的教师模型用于MRI细分,即使具有有限的标记数据.
- 独特的数据增强和双软max的战略提高了模型的稳定性和性能.
- 这种方法在资源有限,半监督的环境中为医疗图像细分提供了可行的解决方案.
