通过混合自我训练的弱标签来进行足细分的增强域名适应.
David Jozef Hresko1, Peter Drotar2, Quoc Cuong Ngo3
1IISLab, Technical University of Kosice, Letna 1/9, Kosice, 04200, Kosicky Kraj, Slovakia.
Journal of imaging informatics in medicine
|July 17, 2024
概括
这项研究引入了一种新的方法,用于伤口图像细分,使用自我训练和混合增强. 这种方法提高了分析伤口参数的准确性和稳定性,即使数据有限.
科学领域:
- 医疗图像分析 医学图像分析
- 计算机视觉 计算机视觉 计算机视觉
- 机器学习是机器学习.
背景情况:
- 准确的伤口参数测量对于有效的伤口管理至关重要.
- 计算机伤口分析面临着由于图像细分不准确的挑战,这通常是由有限或不准确的标签引起的.
- 一个常见的问题是源域中丰富的标签数据与目标域中有限的标签之间的差异.
研究的目的:
- 开发一种新的方法来提高伤口图像细分的准确性和稳定性.
- 为了解决伤口图像分析的目标领域中有限标签的挑战.
- 增强神经网络在各种伤口数据集中的泛化能力.
主要方法:
- 提出了一种结合自我训练学习和混合增强的新方法.
- 在源域上训练了一个神经网络,通过自我训练为目标域生成弱标签.
- 然后将生成的标签与源域标签混合在一起,以重新训练网络,改善泛化.
主要成果:
- 拟议的方法在不同数据分布的细分精度和稳定性方面取得了实质性的改进.
- 单域实验显示,DFUC 2022数据集上的子得分为0.711,FUSeg数据集上的得分为0.859.
- 对于域调整,当使用子作为目标数据集时,DFUC 2022的0.714和FUSeg的0.561的子得分被实现.
结论:
- 结合的自我训练和混合增强方法有效地增强了伤口图像细分.
- 该方法在改善自动伤口分析方面显著有前途,特别是在有限的标记数据的情况下.
- 该研究强调了在医疗图像细分任务中强大的域调整的潜力.


