在半监督前列腺区域细分中对U-Net和视觉变压器架构进行比较分析
Guantian Huang1, Bixuan Xia1, Haoming Zhuang1
1College of Medicine and Biological Information Engineering, Northeastern University, Shenyang 110057, China.
Bioengineering (Basel, Switzerland)
|September 27, 2024
概括
精确的前列腺细分对于疾病诊断至关重要. 这项研究比较了半监督的方法,发现不确定性意识的平均教师 (UAMT) 和插曲一致性培训 (ICT) 有效,特别是在U-Net,而视觉转换器 (ViT) 需要优化.
科学领域:
- 医学成像医学成像
- 计算机视觉 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 前列腺区域的精确细分对于诊断和治疗前列腺疾病至关重要.
- 有限的标记前列腺数据阻碍了准确的细分,这在医学成像应用中构成了重大挑战.
研究的目的:
- 评估和比较各种半监督学习方法的有效性,以进行前列腺区域细分.
- 评估U-Net和视觉变压器 (ViT) 架构的性能,以及用于医疗图像细分的半监督技术.
主要方法:
- 前列腺区域的细分使用U-Net和视觉变压器 (ViT) 架构进行.
- 采用了五种半监督学习方法:缩,交叉伪监督,平均教师,不确定性意识平均教师 (UAMT) 和插值一致性培训 (ICT).
- 性能与最先进的前列腺半监督细分网络,不确定性意识时间自学 (UATS) 相比进行了基准测试.
主要成果:
- 不确定性意识平均教师 (UAMT) 方法提高了前列腺细分的准确性和稳定性.
- 互插一致性培训 (ICT) 显示出强大而稳定的性能,突出了U-Net在医疗图像细分方面的适应性.
- 不确定性意识时间自我学习 (UATS) 显示了U-Net骨干的显著有效性,特别是在积极预测率方面.
- 视觉转换器 (ViT) 与半监督学习相结合,需要进一步改进以获得最佳性能.
结论:
- 半监督学习方法,特别是UAMT和ICT,提供有效的解决方案,以有限的标记数据为前列腺区域细分.
- 对于医疗图像细分任务,U-Net架构被证明是强大的,而ViT在这个领域的潜力需要进一步研究.
- 这种比较分析为推进前列腺细分技术和解决医学成像中的数据短缺提供了宝贵的见解.
