C MAL:级联网络引导的类平衡的多原型辅助学习,用于无源域的自适应医疗图像细分

科学领域:

• 医学图像分析 医学图像分析
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 无源域适应 (SFDA) 对于医学图像分析至关重要,适应没有标记目标数据的模型.
• 在SFDA的自我训练方法中,由于不正确的伪标签和阶级失衡,与模型不稳定性作斗争.

研究的目的:

• 为了提高SFDA中的模型稳定性,用于医学成像.
• 为了应对伪标签积累和阶级不平衡在自我训练中的挑战,SFDA.

主要方法:

• 引入了一个级联网络导向,类平衡的多原型辅助学习 (C2MAL) 框架.
• 使用级联翻译分段网络 (CTS-Net) 来准确生成伪标签.
• 利用了一个类平衡的多原型辅助学习网络 (CMAL-Net),具有新的损失功能以适应.

主要成果:

• 在四个基准基金图像数据集上,C2MAL在最先进的方法上表现优越.
• 该框架有效地提高了模型的稳定性和适应性,特别是在重大领域转移的情况下.
• 通过对各种医学成像数据集的广泛实验进行验证.

结论:

• 拟议的C2MAL框架显著提高了医疗成像SFDA中的模型稳定性和适应性.
• 这种新的方法有效地解决了伪标签问题和阶级不平衡,优于现有的方法.
• 在没有标记数据的情况下,C2MAL为适应医疗图像分析模型的新领域提供了一个强大的解决方案.