边界引导的对比学习用于半监督的医疗图像分割.

科学领域:

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

背景情况:

• 半监督学习减少了医疗成像中的手动注释需求.
• 精确的边界细分是关键的,但由于边界像素稀少而具有挑战性.
• 现有的方法往往忽视了边界区域的性能.

研究的目的:

• 为医疗图像细分开发一种新的半监督方法,专注于边界精度.
• 为了更有效地利用未标记的数据来改进细分.
• 加强边境地区的歧视性代表性学习.

主要方法:

• 引入了半监督医疗图像细分 (BoCLIS) 的边界引导对比学习.
• 雇佣了保守至激进的教师网络,用于伪标签生成的不确定性加权聚合.
• 利用边界引导的补丁采样策略和基于补丁的对比学习来进行表示学习.

主要成果:

• 在三个公共数据集中,BoCLIS的表现始终优于现有的方法.
• 观察到显著的子相似系数 (DSC) 改善,特别是在边界地区 (20.47%,16.75%,17.18%).
• 证明了拟议的不确定性加权聚合和边界指导抽样的有效性.

结论:

• 拟议的BoCLIS方法有效地解决了在半监督医疗图像分析中边界细分的挑战.
• 这种方法显著提高了细分性能,特别是在对象边界.
• 该方法为使用未标记数据进行高效和准确的医疗图像细分提供了一个有希望的方向.