基于伪标签重量平衡的联合培训半监督医疗图像细分

科学领域:

• 医学图像分析 医学图像分析
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 半监督细分方法面临着伪标签信息互补性和数量质量不平衡的挑战.
• 现有的方法经常受到子网络共识的影响,并忽视有价值的伪标签,阻碍性能.

研究的目的:

• 为医疗图像细分提出一个半监督模型,解决伪标签的挑战.
• 通过权重平衡和联合培训策略,提高细分精度并减少对标记数据的依赖.

主要方法:

• 开发了一个新的框架,SCMT (半监督联合培训平均教师),整合了一个截断的高斯函数权重平衡方法.
• 采用统一的调整策略来管理不同类别的伪标签不平衡.
• 纳入知识精细化和联合培训意味着教师模式,以提高伪标签质量和模型稳定性.

主要成果:

• 在LA和胰腺CT数据集上使用仅10%/20%的标记数据实现了卓越的性能.
• 在子相似系数,贾卡德指数,豪斯多夫距离和平均对称表面距离方面显著改进.
• 超过现有的半监督细分方法,显示一致和稳定的预测结果.

结论:

• 拟议的SCMT模型有效地解决了当前半监督细分的局限性.
• 在没有形状约束的情况下,SCMT准确地捕获对象轮和细节,提供高度准确和稳定的细分.
• 该框架在表面细分和处理复杂结构方面具有优势,优于其他方法.