双混合伪标签框架:加强对类别不平衡的CT体积的半监督细分
Luyang Zhang1, Yuichiro Hayashi2, Masahiro Oda2,3
1Graduate School of Informatics, Nagoya University, Furo-cho, Chikusa-ku, 464-8601, Nagoya, Aichi, Japan. lzhang@mori.m.is.nagoya-u.ac.jp.
International journal of computer assisted radiology and surgery
|February 11, 2025
概括
本研究引入了一种新的方法,通过考虑类别难度,使用有限的标记数据来改进CT图像细分. 该方法提高了医疗成像中具有挑战性的类别的细分精度.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 对CT细分的监督深度学习需要广泛的,耗时的数据标签.
- 有限的注释数据阻碍了当前细分模型的性能.
研究的目的:
- 用有限的注释数据来提高CT体积细分的准确性.
- 解决半监督学习中的类别问题和数据分布的挑战.
主要方法:
- 提出了一种信任难度权重 (CDifW) 分配方法,以平衡不同类别的培训.
- 引入了一种双混合伪标签框架 (DMPF),用于基于分类难度和分布的战略图像混合.
- DMPF增强了对具有挑战性的类别的细分.
主要成果:
- 在先天性心脏病 (CHD) 数据集中的5%标记数据上,在困难类别中实现了5.1%的子得分改善.
- 在BTCV (Beyond-the-Cranial-Vault) 腹腔数据集中的40%标记数据上,表现出难度类别的子得分提高了7.0%.
- 在半监督CT细分中超越了最先进的方法.
结论:
- 拟议的方法有效地改善了CT卷中难以分类的细分性能.
- 分类权重和混合物增量是提高半监督细分的关键.
- 该方法在数据集中得到验证,对医疗保健人工智能应用具有重要意义.


