URCA:基于不确定性的区域剪切算法,用于半监督的医疗图像细分
Chendong Qin1, Yongxiong Wang1, Jiapeng Zhang1
1University of Shanghai for Science and Technology, School of Opto-Electronic Information and Computer Engineering, Department of Control Science and Engineering, 516 War Industrial Road, Shanghai 200093, China.
Computer methods and programs in biomedicine
|June 15, 2024
概括
本研究引入了基于不确定性的区域剪切算法,通过提高伪标签质量和解决数据分布偏差来增强半监督医疗图像细分,从而导致更准确的细分结果.
科学领域:
- 医学图像分析 医学图像分析
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机视觉 计算机视觉
背景情况:
- 图像细分的监督学习需要大量的标记数据,这在医学成像中是昂贵和耗时的.
- 半监督方法显示出希望,但与低可信度的伪标签和标记和未标记数据之间的分布偏差作斗争.
研究的目的:
- 为了提高半监督医疗图像细分模型的准确性.
- 解决半监督学习中低信心伪标签和分配偏差的挑战.
主要方法:
- 提出了一种基于不确定性的区域剪切算法,用于半监督的医疗图像细分.
- 利用蒙特卡洛掉落来估计不确定性,并采用多种损失函数和非最大抑制来实现模型多样性.
- 引入了一个新的模块,通过掩盖低可信度像素来生成新样本,增强伪标签的可信度和数据分布.
主要成果:
- 在 ACDC 和 BraTS2019 基准上比最先进的方法取得了更高的性能.
- 在ACDC数据集上获得了87.86%的Dice平均得分和4.214毫米的HD95.
- 达到了大脑瘤细分的84.79%的平均子得分,HD得分为10.13毫米.
结论:
- 拟议的方法显著提高了半监督医疗图像细分的准确性.
- 证明了该模型在2D和3D医疗图像数据集上的优势.
- 代码是公开可用的可复制性和进一步研究.
