不确定性 半监督医疗图像细分的全球对比学习框架

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 半监督的医疗图像细分面临着模糊的对象界限和有限的标记数据的挑战.
• 由于数据稀缺和重叠的对象边界,难以准确地对细分边界进行分类.

研究的目的:

• 提出一个不确定性全球对比学习 (UGCL) 框架,以解决半监督医疗图像细分中的模糊边界.
• 通过有效利用不可靠的数据区域来提高细分精度.

主要方法:

• 开发了补丁过和分类透过方法,以可靠地生成伪标签.
• 引入了一个不确定性全球对比学习方法,以利用来自不可靠地区的补充信息.
• 综合一致性规范化,专注于不可靠的点,以改善细分.

主要成果:

• 该UGCL框架成功地区分了模糊的边界和高像素作为不可靠的.
• 在不确定的点上进行对比学习和一致性规范化显著提高了细分精度.
• 在两个公共数据集上进行评估,该方法在最先进的技术上显示出了显著的改进.

结论:

• 拟议的UGCL框架有效地处理在半监督医疗图像细分中的不可靠数据.
• 通过对比学习和一致性规范化利用不确定性可以提高细分性能.
• 该方法提供了一种有前途的方法,以有限的标记数据改进医疗图像分析.