域互动对比学习和原型导向的自我训练,用于跨域的多重体细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 在结肠镜检查中精确的聚细分对于结肠直肠癌的诊断和治疗至关重要.
• 深度学习模型在来自不同成像设备的数据集上的性能退化中扎.
• 无监督域调整 (UDA) 方法旨在使用标记的源数据和未标记的目标数据来弥合域差距.

研究的目的:

• 提出一个新的框架,域互动对比学习和原型导向自训练 (DCL-PS),用于跨域的多片细分.
• 解决现有的UDA方法的局限性,包括忽视域智能表示和伪标签不确定性.

主要方法:

• 域互动对比学习 (DCL) 具有域混合原型更新策略,以区分跨域类明智的特征.
• 基于对比学习的交叉一致性培训 (CL-CCT) 增强编码器特征提取.
• 原型导向的自我训练 (PS) 具有动态像素加权,以提高伪标签质量.

主要成果:

• 拟议的DCL-PS框架在目标域数据集上的聚细分方面表现出卓越的性能.
• 该方法有效地减少了域差距,并改善了模型通用化.
• 实验结果验证了DCL和PS策略的有效性.

结论:

• 该DCL-PS框架提供了一个强大的解决方案,用于在结肠镜图像中跨域聚细分.
• 拟议的策略增强了特征歧视和伪标签可靠性.
• 这项工作有助于在结直肠癌查中更准确,更可靠地检测聚.