通过自我训练改善皮肤损伤细分
Aleksandra Dzieniszewska1, Piotr Garbat1, Ryszard Piramidowicz1
1Institute of Microelectronics and Optoelectronics, Warsaw University of Technology, 00-662 Warsaw, Poland.
Cancers
|March 28, 2024
概括
本研究引入了一种半监督学习方法,用于使用杂学生方法对皮肤病变进行细分. 它在有限的标记数据下显著提高了细分精度,有助于皮肤癌诊断.
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:
- 皮肤病变细分对于准确的皮肤癌诊断至关重要.
- 高质量的细分需要广泛的标记数据,这是昂贵的和耗时的获取.
- 半监督学习通过利用未标记的数据来提高模型性能提供了一个解决方案.
研究的目的:
- 提出一种新的半监督方法,用于皮肤病变细分,使用与杂学生进行自我训练.
- 为了减少在医疗图像细分中依赖手动注释的数据.
- 通过改进细分来提高皮肤癌诊断的准确性.
主要方法:
- 实施了一种半监督的学习框架,利用噪音学生策略.
- 在教师和学生模型中采用DeepLabV3架构.
- 利用了包括教师培训,伪标签生成和代学生培训在内的四步过程.
主要成果:
- 在ISIC 2018数据集上实现了88.0%的欧盟平均交叉点 (mIoU).
- 在PH2数据集上获得了87.54%的mIoU.
- 在有限的标记数据下,证明了更好的细分性能.
结论:
- 提出的Noisy Student培训方法有效地提高了神经网络的性能,用于皮肤病变细分.
- 这种方法显著减轻了大量手动注释的需要,使其成为医学图像分析的宝贵工具.
- 这种方法有望提高皮肤癌诊断的准确性和效率.


