以自我培训和一致性规范化为指导的学生-教师框架,用于半监督的医疗图像细分
Boliang Li1, Yaming Xu1, Yan Wang1
1Department of control science and engineering, Harbin Institute of Technology, Harbin, Heilongjiang, China.
PloS one
|April 22, 2024
概括
这项研究引入了伪标签平均教师 (PLMT) 框架,通过将自我训练与伪标签和一致性规范化相结合,增强了医疗图像细分. 通过整合这些技术来实现更准确的细分结果,PLMT实现了卓越的性能.
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:
- 半监督学习对于医学图像细分非常有效.
- 现有的方法往往侧重于单个框架,限制性能增长.
- 整合多种半监督技术可能会提高细分精度.
研究的目的:
- 提出一个新的半监督框架,伪标签平均教师 (PLMT),用于医疗图像细分.
- 将自我训练与伪标签和一致性规范化结合起来.
- 调查适应性损失权重对细分性能的影响.
主要方法:
- 拟议的PLMT框架将学生-教师结构与一致性损失集成到自我培训管道中.
- 伪标签是为自我培训和学生-教师框架生成的.
- 适应性损失权重在训练期间动态调整不同半监督损失的贡献.
主要成果:
- 在三个公共数据集上的实验表明PLMT实现了最佳性能.
- PLMT的性能优于其他五种半监督方法.
- 综合方法证明了自我训练和一致性规范化之间的互利增强.
结论:
- PLMT框架在半监督图像细分方面提供了一个创新的视角.
- 结合自我训练和一致性规范化,可以显著提高性能.
- PLMT为医疗图像细分任务提供了强大的和有效的方法.
