行动++:通过自适应性解剖对比改善半监督医疗图像分割
Chenyu You1, Weicheng Dai2, Yifei Min3
1Department of Electrical Engineering, Yale University.
Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
|May 30, 2024
概括
ACTION++ 改进了使用自适应解剖对比度对不平衡数据集的半监督医疗图像细分. 这种新的方法在长尾医学数据中增强了少数群体类别的识别,实现了最先进的结果.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 医学数据经常显示长尾分布和严重的阶级不平衡,使少数阶级的分类变得复杂.
- 虽然无监督对比学习在长尾情景中有助于半监督的医疗图像细分,但它对不平衡的标记数据的有效性仍然不确定.
研究的目的:
- 引入ACTION++,一个用于半监督医疗细分的增强对比学习框架.
- 用自适应解剖对比来解决医学图像细分中阶级不平衡的挑战.
主要方法:
- 开发了一个适应性监督的对比损失函数,用于在线对比匹配与均分布的类中心.
- 引入了一个动态温度参数,通过共弦值表进行调整,以改善长尾医学数据中的类别分离.
主要成果:
- 在两个半监督设置中,ACTION++在ACCDC和LA基准指标上取得了最先进的表现.
- 经验评估表明,该框架有效地提高了不平衡的医疗数据集的细分精度.
结论:
- 拟议的自适应解剖对比方法在半监督医疗细分中提供了卓越的性能和标签效率.
- ACTION++为分割不平衡的医疗数据提供了一个强大的解决方案,优于现有的方法.
