对部分监督的多器官医学图像细分进行标记到未标记的分布对齐
Xixi Jiang1, Dong Zhang1, Xiang Li2
1Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology, Hong Kong, China.
Medical image analysis
|September 8, 2024
概括
这项研究引入了部分监督的多器官医学图像细分的新框架,有效地解决了标记和未标记数据之间的分布不匹配,以提高模型性能.
科学领域:
- 医学图像分析 医学图像分析
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 部分监督的多器官细分使用具有单个器官标签的多个数据集.
- 有限的标记数据和缺乏背景区分导致分布不匹配.
- 现有的伪标签方法与这种分布不匹配作斗争.
研究的目的:
- 提出一个新的框架,标记到未标记的分销对齐 (LTUDA),以解决部分监督的多机构细分中的分销不匹配问题.
- 调整特征分布,增强细分模型的区分能力.
- 为了提高医疗图像细分的性能,使用有限的标记数据.
主要方法:
- 引入了一个交叉数据增强策略,用于区域级混合标记和未标记器官.
- 提出了基于原型的分布对齐方法,以减少类内变化并改善前景和背景的分离.
- 使用原型分类器和分布对齐的线性分类器之间的一致性.
主要成果:
- 在 AbdomenCT-1K 数据集上,LTUDA 框架表现出卓越的性能.
- 在LiTS,MSD-Spleen,KiTS和NIH82.2的综合数据集上观察到显著的改善.
- 提出的方法优于现有的最先进的部分监督方法,甚至超过了完全监督方法.
结论:
- 在部分监督的多机构细分中,LTUDA框架有效地减轻了分配不匹配.
- 提出的方法提高了模型的区分能力和细分精度.
- 对于具有有限注释的医疗图像细分任务,LTUDA提供了一个有前途的解决方案.
