弱监督的乳房超声波图像细分基于图像选择.
概括
这项研究引入了一种新的弱监督学习方法,用于乳房超声波图像细分,在没有广泛的像素级注释的情况下提高准确性. 该方法有效地选择高质量的图像用于培训,增强计算机辅助诊断系统.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 乳房超声波 (BUS) 图像的准确细分对于计算机辅助诊断系统至关重要.
- 完全监督的方法需要具有挑战性的像素级注释,限制了它们的实际应用.
- 弱监督的学习提供了一个有希望的替代方案,以减少注释负担.
研究的目的:
- 为BUS图像细分开发一种新的弱监督学习框架.
- 为了应对现有监管不良的方法中无效样本的挑战.
- 为了提高BUS图像分割模型的稳定性和准确性.
主要方法:
- 使用类激活地图 (CAM) 识别高质量的训练样本的新型图像选择技术.
- 利用"任何细分"模型来有效地生成伪细分标签.
- 通过平均教师方法训练一个细分模型,包括伪标记和未标记的数据.
主要成果:
- 拟议的框架显示了公共汽车图像细分的显著改进.
- 在完全监督的方法中,实现了交叉与联盟 (IoU) 积分的交叉比率为82.9%.
- 成功地减少了对大量手册注释的依赖.
结论:
- 开发的弱监督学习方法对于BUS图像分割是有效的.
- 图像选择和伪标签策略增强了模型训练.
- 这种方法为BUS成像提供了一条可行的途径,以实现更容易获得和更准确的计算机辅助诊断.


