利用标记数据知识:一个合作纠正学习网络,用于半监督的3D医学图像细分.
Yanyan Wang1, Kechen Song2, Yuyuan Liu3
1School of Mechanical Engineering and Automation, Northeastern University, China; Centre for Vision, Speech and Signal Processing (CVSSP), University of Surrey, UK.
Medical image analysis
|March 3, 2025
概括
这项研究引入了一种半监督的3D医疗图像细分的新方法,提高伪标签质量,以更好地利用未标签的数据. 该方法通过使用学习的原型和动态特征交互来适应性纠正伪标签来提高细分的准确性.
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:
- 在3D医学图像细分中的半监督学习利用有限的标记数据与丰富的未标记数据.
- 有效利用未标记的数据对于提高细分精度至关重要.
- 一致性学习策略在很大程度上依赖于伪标签的质量.
研究的目的:
- 引入一种新的方法来生成高质量的伪标签,用于半监督的3D医学图像细分.
- 通过提高伪标签准确性来提高一致性学习策略的有效性.
- 为了提高3D医学图像细分模型的整体性能.
主要方法:
- 合作纠正学习网络 (CRLN) 用于使用类原型进行自适应的伪标签纠正.
- 动态交互模块 (DIM) 用于跨多个分辨率的原型特征交互.
- 合作积极监督 (CPS) 以优化不确定的和不自信的阶级表征.
主要成果:
- 拟议的方法大大提高了伪标签的质量.
- 与现有的半监督细分技术相比,该方法显示出更高的性能.
- 在三个公共数据集上进行了广泛的实验,验证了该方法的有效性.
结论:
- 开发的方法为半监督的3D医疗图像细分提供了强大的解决方案.
- 高质量的伪标签生成是有效利用未标签数据的关键.
- 在不确定的地区,CRLN,DIM和CPS的整合提高了细分精度.
