UPMatch:通过使用不可靠的伪标签进行对比学习来增强半监督医疗图像分类
概括
本研究介绍了UPmatch,这是一个新的半监督学习 (SSL) 框架,用于医疗图像分析 (MIA). 它有效地利用模两可的未标记数据来提高模型性能,解决当前方法的局限性.
科学领域:
- 医学图像分析 医学图像分析
- 机器学习 机器学习
- 计算机视觉 计算机视觉
背景情况:
- 半监督学习 (SSL) 对于医学图像分析 (MIA) 是至关重要的,因为标记数据有限.
- 现有的SSL方法通常通过依赖严格的信任值来不足利用未标记的数据.
- 在MIA中,较低的类间距离和不平衡的类别加剧了数据未充分利用.
研究的目的:
- 开发一种基于伪标签的新型SSL框架UPmatch,以增强MIA中模两可的未标签样本的信息挖掘.
- 通过有效地将不可靠的伪标签样本纳入培训过程来提高模型性能.
- 为对比学习引入一个代信息样本选择策略 (ISSS).
主要方法:
- 拟议的UPmatch框架具有一个对比的不可靠的伪标签学习模块 (CUPM).
- 实施了一种信息化样本选择策略 (ISSS) 用于代的小型批量样本选择.
- 评估了关于TissueMNIST和ISIC2019数据集的框架.
主要成果:
- UPmatch在改善MIA任务上的模型性能方面表现出有效性.
- CUPM 模块成功地集成了不可靠的伪标签样本.
- 通过ISSS策略,可以有效地选择用于对比学习的信息样本.
结论:
- 拟议的UPmatch框架为MIA提供了SSL的重大进展.
- 有效地利用模两可的未标记数据是提高模型性能的关键.
- UPmatch提供了一种有前途的方法来解决医学成像中的数据稀缺问题.
