双一致性指导半监督医疗图像细分与低级别的细节功能增强
Bing Wang1, Mengyi Ju2, Xin Zhang3
1College of Mathematics and Information Science, Hebei University, Wusi Road 180, Baoding, 071000, Hebei, China; Hebei Key Laboratory of Machine Learning and Computational Intelligence, Hebei University, Wusi Road 180, Baoding, 071000, Hebei, China.
Computers in biology and medicine
|August 29, 2024
概括
本研究引入了一种新的半监督医疗图像细分网络,使用双一致性指导来提高有限的标记数据的准确性. 该方法增强了从未标记的数据中学习,并改进了边界检测,以获得更好的临床应用.
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:
- 半监督学习 (SSL) 减少了在医疗图像细分中对标记数据的依赖.
- 现有的SSL方法与模两可的界限和有限的数据作斗争,阻碍了临床使用.
- 准确的细分对于诊断和治疗规划至关重要.
研究的目的:
- 开发一个新的半监督医疗图像细分网络,解决边界模糊性和数据稀缺问题.
- 提高未标记数据的利用率,以提高模型准确度.
- 为了改善细粒度细节的提取,以精确地定位轮.
主要方法:
- 为半监督的医疗图像细分提出了一个双一致性指导网络.
- 实施了数据级和特征级一致性学习的分裂弱和强一致性策略.
- 引入了多尺度低级细节功能增强模块,以改进轮提取.
主要成果:
- 与现有的半监督方法相比,拟议的模型在六个数据集中显示出更高的细分精度.
- 评估显示,在定量和定性细分表现方面都有显著的改善.
- 该模型在具有挑战性的医学成像数据集上表现出增强的概括性.
结论:
- 双一致性指导网络有效地利用未标记的数据来改进医疗图像细分.
- 提出的方法成功地解决了SSL中边界模糊性和数据限制的挑战.
- 该模型由于其准确性和通用性,具有很强的临床应用潜力.
