对于半监督医疗图像细分的双结构感知图像过器
Yuliang Gu1, Zhichao Sun1, Tian Chen1
1National Engineering Research Center for Multimedia Software, School of Computer Science, Wuhan University, Wuhan, China; Institute of Artificial Intelligence, School of Computer Science, Wuhan University, Wuhan, China; Medical Artificial Intelligence Research Institute of Renmin Hospital, Wuhan University, Wuhan, China.
Medical image analysis
|October 17, 2024
概括
这项研究引入了双结构感知图像过 (DSAIF),通过利用未标记的数据来改进半监督的医疗图像细分. DSAIF减少了预测错误,提高了细分的准确性.
科学领域:
- 医疗图像分析 医学图像分析
- 计算机视觉 计算机视觉 计算机视觉
- 机器学习是机器学习.
背景情况:
- 半监督图像细分对于利用未标记的数据至关重要.
- 现有的方法经常使用图像或模型级别的变化,但忽视了医疗图像结构.
- 医疗图像中的先前结构信息在细分方面仍然未得到充分探索.
研究的目的:
- 为半监督医疗图像分割中的图像层次变化提出新的双结构感知图像过 (DSAIF).
- 有效地利用医疗图像的固有结构,以改善细分.
- 为了减轻确认偏差和过度适应杂的伪标签.
主要方法:
- 开发了基于连接过和双对比不变的Max-tree和Min-tree表示的双结构感知图像过器 (DSAIF).
- 提出了一种新的连接过,以删除在Max/Min树中没有兄弟姐妹的拓等价节点,从而保留关键结构.
- 将DSAIF应用于相互监督的网络,以减少对未标记图像错误预测的共识.
主要成果:
- 拟议的DSAIF方法有效地减少了对相互监督网络未标记数据的共识错误.
- 这种方法减轻了确认偏差和过度适应杂的伪标签.
- 在三个基准数据集上进行了广泛的实验,显示出与最先进的方法相比,显著和一致的性能改善.
结论:
- 双结构感知图像过器 (DSAIF) 为半监督的医疗图像细分提供了一种新且有效的图像级变化策略.
- 该方法成功地利用医疗图像中的先前结构信息,优于现有的方法.
- 拟议的技术通过减轻确认偏差等常见问题来提高细分性能.
