通过弱至强扰动一致性和边缘感知对比表示方式进行半监督医疗图像细分

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:

• 用于医疗图像细分的监督学习需要大量的标记数据,这是昂贵的和耗时的.
• 半监督学习提供了一个解决方案,但往往在前景对象的边缘区域的准确细分方面扎.

研究的目的:

• 开发一个创新的半监督学习框架,以提高医疗图像细分性能,特别关注提高边缘地区的准确性.
• 有效地利用未标记的数据来克服传统监督和现有的半监督方法的局限性.

主要方法:

• 提出了一个新的框架,包括一个弱到强扰动策略,具有特征扰动的一致性损失,以利用未标记的数据来学习可靠的区域.
• 引入了边缘感知对比损失,它使用基于不确定性的正对选择来从未标记的数据中学习边缘区域的歧视性像素级特征.

主要成果:

• 在医疗图像细分性能方面显著改进,特别是在边缘地区,跨多个公共数据集 (BraTS2020,LA,ACD).
• 通过广泛的定量和可视化实验,在标准的半监督环境中取得了最先进的结果.
• 该框架有效地减少了预测差异,并提高了主要和边缘地区的代表能力.

结论:

• 拟议的半监督学习框架有效地利用未标记的数据来增强医疗图像细分,特别是在具有挑战性的边缘地区.
• 新的弱至强扰动和边缘感知对比损失策略有助于卓越的性能,并为该领域设定了新的基准.