半监督面部细分使用双向复制粘贴方法
Semin Kim1, Huisu Yoon1, Jongha Lee1
1AI R&D Center, lululab, Dosan Dae-Ro 318, Seoul 06054, Republic of Korea.
Diagnostics (Basel, Switzerland)
|May 24, 2024
概括
本研究引入了一种新的深度学习模型,用于使用双向复制粘贴半监督学习进行面部细分. 该方法通过最小的标记数据提高了检测的准确性,为皮肤学分析提供了有前途的方向.
科学领域:
- 皮肤病学 皮肤病学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 面部是一种常见的皮肤疾病,需要及早检测以防止恶化.
- 使用深度学习的自动检测显示出希望,但由于获得足够的标记训练数据的困难而受到阻碍.
- 医疗图像细分的现有半监督方法经常与性能扎,特别是在标记数据训练组件中.
研究的目的:
- 提出面部细分的新型深度学习模型.
- 用半监督方法解决检测中有限的标记数据的挑战.
- 为了提高面部细分半监督学习的性能.
主要方法:
- 开发了一种用于面部细分的新型深度学习模型.
- 使用双向复制粘贴半监督学习技术,通过在标记和未标记数据集之间交换前景和背景组件来合成训练图像.
- 实施了一个新的框架,直接计算标记图像上的训练损失,比以前的方法提高了性能.
主要成果:
- 拟议的方法在使用仅3%标记数据的实验中获得了0.5205的Dice分数.
- 与现有的半监督学习方法相比,在子分数中表现出0.0151至0.0473的改善.
- 在面部细分方面表现出卓越的表现,特别是在极端稀缺的数据条件下.
结论:
- 新的半监督学习方法显著改善了面部细分性能.
- 双向复制粘贴方法为训练具有有限标记皮肤学数据的深度学习模型提供了有效的解决方案.
- 这项研究为自动化分析和皮肤病诊断提供了有价值的新方向.
