DC2T:半监督跨站点连续细分的脱引导巩固和一致性培训

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 医疗成像医学成像

背景情况:

• 持续学习 (CL) 为顺序医疗数据提供了高效的存储和隐私.
• 现有的CL方法通常需要完全标记站点,这是不切实际的.
• 半监督持续学习 (SSCL) 通过使用部分标记的数据来解决这个问题.

研究的目的:

• 为SSCL开发一种方法,尽管存在域间隙,但有效利用未标记的数据.
• 为了减轻模型在动态,跨站点学习场景中对未标记数据的遗忘.
• 引入一个新的框架来进行代表性解,巩固和一致性培训.

主要方法:

• 提出了一个以解为指导的巩固和一致性培训 (DC2T) 框架.
• 使用在线半监督表示解 (OSSD) 来提取内容表示.
• 实施了以内容为灵感的参数巩固 (CPC) 用于站点不变性和风格诱导的一致性训练 (SCT) 用于风格稳定性.

主要成果:

• DC2T框架有效地从部分标记的数据中挖掘内容表示.
• CPC方法可以防止对内容保存的关键参数的改变,确保不变性.
• SCT 方案强制执行细分一致性,防止风格干扰,提高稳定性.
• 与现有的SSCL方法相比,在减轻未标记数据的遗忘方面表现出显著的优势.

结论:

• DC2T框架为SSCL提供了一个强大的解决方案,其中包含部分标记的医疗数据.
• 该方法成功地解决了领域差距和模型遗忘的挑战.
• 在 fundus 和心脏图像细分任务上经过验证的有效性.