重新思考复制粘贴用于医学图像分割中的一致性学习

科学领域:

• 医学图像分析分析 医学图像分析
• 计算机视觉 计算机视觉 计算机视觉
• 机器学习是机器学习.

背景情况:

• 半监督学习 (SSL) 与一致性学习显示出医疗图像细分的希望.
• 现有的复制粘贴数据增强方法可以降低合成标签的准确性和过度扰乱训练数据的分布,阻碍了通用化.

研究的目的:

• 为医疗图像细分开发一个强大的软到强的一致性学习框架.
• 通过提高合成标签质量和控制数据干扰来解决传统复制粘贴方法的局限性.

主要方法:

• 提出一个框架,使用标签和无标签数据之间的交叉复制粘贴来提高合成标签的可靠性.
• 实施不确定性估计和前景区域约束来指导复制粘贴,确保有益的干扰.

主要成果:

• 该框架在六个不同的医疗图像细分数据集中显著优于最先进的模型.
• 在 PROMISE12 前列腺细分任务中,仅使用 10% 的标记数据,获得了 15.31% 的更高的子得分.

结论:

• 拟议的方法通过在一致性学习框架内完善复制粘贴技术,有效地增强了医疗图像细分.
• 该方法表现出卓越的概括性和性能,特别是在低数据模式下,为医学图像分析提供了有价值的工具.