基于低质量的传感器数据的半监督学习用于医疗图像分割.
Hengfan Li1, Xuanbo Xu2, Ziheng Liu3
1Jiangsu Collaborative Innovation Center for Atmospheric Environment and Equipment Technology, Nanjing University of Information Science and Technology, Nanjing 210044, China.
Sensors (Basel, Switzerland)
|December 17, 2024
概括
这项研究介绍了LSDSL,这是使用低质量的传感器数据进行医疗图像细分的新框架. 它在CT和MRI等不同模式中提高了细分精度和推断速度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 传统的医疗图像传感器需要大量的标记数据,这是昂贵和耗时的.
- 有限的计算能力阻碍了有效的模型训练和对大数据集的推理.
- 不同数据模式之间的不良概括是现有传感器面临的重大挑战.
研究的目的:
- 开发一种新的框架,LSDSL,用于使用低质量的传感器数据进行医学图像细分的半监督学习.
- 解决传统医疗图像传感器在数据采集,计算能力和概括方面的局限性.
主要方法:
- 对于医疗图像细分,LSDSL使用低质量的传感器数据进行半监督学习.
- 硬区域探索 (HRE) 模块在监督学习期间增强模型对具有挑战性的区域中低质量的像素的理解.
- 一个伪标签共享 (PS) 模块在无监督学习中,在网络上从高质量到低质量像素的知识传输.
主要成果:
- 与现有的半监督方法相比,LSDSL框架显示出更高的性能.
- 在CT和MRI数据集上实现了增强的细分精度和更快的推断速度.
- 成功适应来自不同模式的数据集,展示了改进的概括性.
结论:
- 对于医疗图像细分的挑战,LSDSL提供了一个有效的解决方案,尤其是低质量的数据.
- 该框架提高了医疗成像应用中的模型性能和效率.
- 在医疗图像分析中,LSDSL在各种模式中显示出更广泛应用的希望.
