多样性问题:半监督医疗图像细分的交叉 Mutual-Mean-Teaching 半监督医疗图像细分
Wei Li1, Ruifeng Bian1, Wenyi Zhao1
1School of Artificial Intelligence, Beijing University of Posts and Telecommunications, Beijing, 100876, China.
Medical image analysis
|August 18, 2024
概括
本研究介绍了CMMT-Net,这是半监督医疗图像细分 (SSMIS) 的新方法. 它提高了对未标记数据的标签预测准确性,减少了噪音并增强了模型概括性.
科学领域:
- 医学图像分析分析
- 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:
- 半监督医疗图像细分 (SSMIS) 方法在未标记的数据上难以准确地预测标签,导致训练噪声和过度装配.
- 现有的最先进的 (SOTA) 方法面临的挑战是由于不准确的预测造成的扰乱,导致学习不一致.
研究的目的:
- 建议建立一个全新的跨层互助教育网络 (CMMT-Net),通过解决噪音和过度装配问题来增强SSMIS.
- 为了提高医疗成像中未标记数据的标签预测的准确性.
主要方法:
- 引入CMMT-Net,扩大交叉头部联合培训与辅助平均教师模型,以改善监督.
- 实施了弱强数据增强和协同的像素/区域级扰动:相互虚拟对抗训练 (MVAT) 和交叉设置的CutMix.
- 同时应用数据,特征和网络扰动以扩大模型多样性和概括性.
主要成果:
- 在各种半监督场景中,CMMT-Net在SOTA方法上显示出显著的改进.
- 拟议的MVAT和交叉设置的CutMix策略增强了决策边界平滑,特征表示和培训样本多样性.
- 三个公共数据集的实验结果验证了CMMT-Net的有效性.
结论:
- 通过利用准确的伪标签和强大的数据增强,CMMT-Net有效地减轻SSMIS中的噪音和过度装配.
- 网络架构和扰动策略有助于在医疗图像细分中的优越泛化性能.
- 这项研究为推进医学成像应用中的半监督学习提供了一个有希望的框架.
