ProCNS:用于弱监督医疗图像分割的渐进原型校准和噪声抑制

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:

• 弱监督细分 (WSS) 使用稀疏的注释来降低医学成像中的注释成本.
• 现有的WSS方法与模两可的边界和杂的区域作斗争,导致性能下降.
• 需要强大的WSS方法来有效处理注释噪声.

研究的目的:

• 引入ProCNS,一个新的WSS框架,旨在提高细分精度.
• 解决当前WSS方法的局限性,特别是在杂的伪标签和边界模糊性方面.
• 开发一种利用原型校准和噪声抑制来增强医疗图像细分的方法.

主要方法:

• 提出一个基于原型的区域空间亲和力 (PRSA) 损失来完善空间和语义元素的亲和力.
• 引入一个适应式噪声感知和掩盖 (ANPM) 模块,用于强大的原型表示和噪声处理.
• 为噪音严重的地区生成专门的软伪标签,以提供额外的监督.

主要成果:

• 在医疗图像细分方面,ProCNS框架显著超过了最先进的方法.
• 跨越六个不同的医学成像任务和模式的实验验验证了拟议的方法.
• 协同模块通过减轻噪音地区的错误,有效地提高了细分性能.

结论:

• ProCNS提供了一个强大的解决方案,用于弱监督的医疗图像细分.
• 拟议的PRSA损失和ANPM模块有效地处理杂的注释和模两可的界限.
• 该框架展示了WSS的重大进步,特别是在复杂的医学成像应用中.