基于深度一致协作学习的半监督医疗图像细分
1College of Information Engineering, Dalian University, Dalian 116622, China.
Journal of imaging
|May 24, 2024
概括
本研究介绍了DCCLNet,这是一种用于医疗图像细分的新型半监督学习框架,使用了深度一致的共同学习. 它通过整合特征和输入干扰与卷积神经网络和视觉转换器的协作培训,有效地解决了标签稀缺问题.
科学领域:
- 医学图像分析 医学图像分析
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 标记数据的高成本限制了医疗图像分析.
- 半监督学习利用未标记的数据来克服标签稀缺性.
- 现有的方法可能无法充分利用各种深度学习架构.
研究的目的:
- 开发一个新的半监督医疗细分框架,DCCLNet.
- 为了应对医疗成像中有限的标记数据的挑战.
- 整合一致性学习和协作培训,以提高细分精度.
主要方法:
- DCCLNet采用深度一致的共同学习,具有特征和输入干扰.
- 功能干扰使用辅助解码器来增强CNN的骨干稳定性.
- 输入扰动使用平均教师架构来引导学习.
- 协作培训集成了卷积神经网络 (CNN) 和视觉转换器 (ViT).
主要成果:
- 在ACDC数据集上达到0.890的子系数,在前列腺数据集上达到0.812的子系数.
- 通过废除研究证明了单个成分的有效性.
- 通过协同的CNN-ViT合作,展示了改进的细分精度.
结论:
- DCCLNet为医疗图像细分提供了一个强大的半监督方法.
- 该框架有效地减轻了有限的标签数据的影响.
- 整合一致性学习和协作培训可以提高细分性能.
