半监督的医疗图像细分与双分支混合脱的信心培训
Jianwu Long1, Yuanqin Liu1, Yan Ren1
1College of Computer Science and Engineering, Chongqing University of Technology, Chongqing, 400054, China.
Medical engineering & physics
|February 20, 2025
概括
本研究引入了一种新的半监督医疗图像细分方法,使用双分支混合解和双向对比学习. 该方法通过有效利用未标记的数据和解决类别不平衡,提高了细分的准确性.
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:
- 半监督医疗图像细分可以减少标签依赖和成本.
- 当前的方法在不同的规范化中扎,因为没有标记的数据和类别不平衡.
- 现有的算法缺乏强大的语义表示用于比较学习.
研究的目的:
- 提出一种新的半监督医疗图像细分算法.
- 解决利用未标记数据和处理类别不平衡的局限性.
- 改进歧视性语义信息学习以更好地细分.
主要方法:
- 使用双分支混合解信心培训,用于双流语义链接.
- 采用双向信心对比学习来实现像素的一致性和区别.
- 设计方法来缓解语义模两可,并学习关键的类内和类间特征.
主要成果:
- 拟议的算法在2D和3D数据集上实现了显著的细分性能.
- 与最近的最先进的算法相比,显示出更高的性能.
- 有效地利用未标记的数据,减轻类别不平衡问题.
结论:
- 新的半监督方法显著改善了医疗图像细分.
- 双流语义链接和双向对比学习是有效的.
- 该算法为医疗图像分析提供了一个有希望的方向,减少了注释工作.
