一个切比舍夫的信心指导的医疗图像分割的源代码免费域名适应框架

科学领域:

• 人工智能的人工智能
• 计算机视觉 计算机视觉
• 医疗成像医学成像

背景情况:

• 由于数据异质性和隐私问题,无源域适应 (SFDA) 对医学成像至关重要.
• 当前的SFDA方法通常依赖于通过自我训练生成的伪标签 (PLs),由于域移动,这些标签可能不准确.
• 由于PL准确度的下降,现有的SFDA技术的有效性受到限制.

研究的目的:

• 开发一个新的SFDA框架,准确评估和提高伪标签 (PL) 的可靠性.
• 通过生成高质量,自我改进的自我培训PL来提高SFDA在医学成像中的性能.

主要方法:

• 提出了一个以切比舍夫信心为导向的SFDA框架,通过计算PL信心的概率下限来估计PL可靠性.
• 引入了两种以信任为导向的报销方法:直接报销和原型报销.
• 开发了一种教师-学生联合培训计划 (TJTS),用于代的PL改进,具有信心权衡模块.

主要成果:

• 拟议的框架有效地评估了PL的可靠性,并产生了自我改进的PL.
• 自信引导的无声化和TJTS防止噪声传播,并提高PL的准确性.
• 广泛的实验证明了该框架在不同领域的最先进SFDA方法上的优势.

结论:

• 切比舍夫的信任导向SFDA框架为可靠的PL估计提供了一种新的方法.
• 开发的方法显著提高了PL质量,从而提高了SFDA的性能.
• 这项工作为医学成像领域的域调整提供了一个强大的解决方案,解决了当前方法的关键局限性.