挖掘你自己的解剖学:用极其有限的标签重新审视医疗图像细分

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:

• 对比式学习在医疗图像细分中显示出有希望的结果,使用有限的标签.
• 现有的方法在数据不平衡 (尾部),特征一致性和缺乏切片内相关性分析方面存在困难.

研究的目的:

• 为了引入一个新的半监督的2D医疗图像细分框架,Mine yOur owNAnatomy (MONA).
• 解决医疗图像细分现有的对比学习方法的局限性,特别是尾部,一致性和多样性.

主要方法:

• MONA利用更强大的数据增强和最近邻居来学习不变性.
• 它结合了无监督的目标,将医疗图像分解为解剖特征.
• 该框架在战略上利用数据集,从不同的解剖视角发现类似但截然不同的样本.

主要成果:

• 在三个基准数据集上,MONA在各种标记的半监督设置中实现了新的最先进的性能.
• 经验和理论证据证明了该框架的有效性.
• 该方法有效地处理了医学成像数据中常见的长尾分布.

结论:

• MONA为半监督的2D医疗图像细分提供了一个实用和多功能解决方案.
• 该框架对领域专业知识提出了最小的假设,提高了其适用性.
• 它通过改进特征学习和解决固有的数据挑战来推进该领域.