通过功能增强的对比学习和双一致性策略进行半监督的腺体细分

科学领域:

• 组织病理学图像分析图像分析
• 对于医学成像的深度学习
• 计算病理学计算病理学

背景情况:

• 深度学习在组织病理学中推进了腺体细分.
• 现有的方法需要大量的注释数据,并与腺体背景区分作斗争.
• 挑战包括区分腺体内部与背景噪音.

研究的目的:

• 开发一种半监督腺体细分方法 (DCCL-Seg),克服当前方法的局限性.
• 减少医疗图像细分中需要大量高质量的注释数据集的需求.
• 为了提高区分腺体内部与背景特征的准确性.

主要方法:

• 提出了一个教师与学生的框架,其中包含一个用于特征提取的对比学习模块.
• 引入了一种具有双重一致性 (交叉任务,交叉模型) 的标记距离场 (SDF) 预测任务,用于腺体内部学习.
• 实现了伪标签过和重权机制,并配备了助理预测器,以确保预测可靠性.

主要成果:

• 与其他半监督方法相比,DCCL-Seg在Glas和CRAG数据集上的表现优越.
• 对比学习模块增强了特征提取,以更好地区分腺体背景.
• SDF预测和双一致性策略改善了腺体内部的学习.

结论:

• DCCL-Seg提供了一种有效的半监督解决方案,用于腺体细分在他的病理学.
• 该方法显著减少了对大型注释数据集的依赖.
• 提出的技术提高了医学成像中的细分精度和可靠性.