结合不受监督的约束,对皮肤癌弱监督的语义细分进行了结合
Hao Yan1,2,3, Pingping Wang1,2,3, Yetong Jia1,2,4
1Center for Medical Artificial Intelligence, Shandong University of Traditional Chinese Medicine, Qingdao, 266112, People's Republic of China.
Biomedical physics & engineering express
|July 17, 2024
概括
这项研究引入了使用图像级标签进行皮肤癌细分的新型模型,通过将不受监督的约束与弱监督的方法相结合来提高准确性,以克服常见的细分问题.
科学领域:
- 医疗图像分析 医学图像分析
- 计算性皮肤病学 计算性皮肤病学
- 机器学习用于医疗保健
背景情况:
- 精确的皮肤癌病变细分有助于早期发现和治疗.
- 像素完美的注释是昂贵的,推动研究使用图像级标签对细分进行研究.
- 目前使用类激活映射 (CAM) 的监督较弱的方法经常导致不完整或不准确的细分.
研究的目的:
- 开发一种改进皮肤癌病变细分的模型,使用具有成本效益的图像级标签.
- 解决现有的弱监管细分方法的局限性,包括不完整的前景细分和并发问题.
- 在一个监督较弱的框架内引入像素级限制.
主要方法:
- 提出了一个联合无监督约束辅助弱监督细分模型 (UCA-WSS).
- 采用双分支对抗删除机制来产生更高质量的CAM.
- 利用对比学习和集群用于无监督的前景和边界标签生成.
主要成果:
- 在公共皮肤病学数据集上,UCA-WSS模型与其他监督较弱的细分模型相比,表现优越.
- 无监督组件有效生成前景和细边界标签,协助细分.
- 该模型成功地解决了皮肤癌病变细分的共同共发生问题.
结论:
- 将无监督的约束与弱监督的学习相结合,为改善皮肤癌细分提供了一个有希望的方法.
- UCA-WSS模型为细分皮肤癌病变提供了更准确,更有效的解决方案.
- 这种方法有可能减少对医疗成像中昂贵的像素级注释的依赖.
