不确定性意识的半监督方法用于胸部肌肉细分
Yutao Tang1, Yongze Guo1, Huayu Wang1
1School of Computer Science and Engineering, Sun-Yat sen University, Guanghzou 510006, China.
Bioengineering (Basel, Switzerland)
|January 24, 2025
概括
这项研究引入了一种在医学成像中半监督学习的不确定性意识方法,通过使用解剖学先验来改进低可信度预测来改善胸肌细分. 这种方法提高了模型性能和数据利用.
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:
- 半监督学习方法使用未标记的数据来提高模型性能.
- 在规范化方面,质量差的预测会导致杂的梯度和性能下降.
- 现有的方法过低置信度预测,阻碍从不确定的数据区域学习.
研究的目的:
- 开发一种不确定性意识的半监督方法,用于医学成像中的胸肌细分.
- 提高目标预测的质量,提高未标记数据的利用率.
- 为了应对跨领域场景中低信心预测的挑战.
主要方法:
- 提出了一种不确定性意识的半监督方法,采用教师-学生双重模型结构.
- 在胸部肌肉细分之前,嵌入了乳房解剖学.
- 设计了一个低置信度预测改进模块,使用高置信度预测和学到的解剖学先验.
主要成果:
- 与基线方法相比,DICE指数平均改善了1.76.
- 在IOU指数中平均减少3.21,在HD指数中平均减少5.48.
- 在三个数据中心展示了强大的泛化性能,并超过了其他方法.
结论:
- 提出的不确定性意识方法有效地通过使用解剖学先验来改进低信心预测.
- 这种方法提高了半监督学习中胸肌细分的准确性和稳定性.
- 该方法为医学图像分析提供了显著的进步,特别是在具有挑战性的细分任务中.


