平衡多目标半监督医疗图像细分与协作通用和专家的平衡

科学领域:

• 医疗图像分析 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:

• 当前的半监督模型在与同时的多目标细分作斗争.
• 不平衡的目标尺度导致大目标占损失的主导地位,导致较小目标的错误分类.

研究的目的:

• 为了解决由规模不平衡引起的同时多目标细分的性能下降.
• 提出一种新的方法,即协作通用主义者和专家 (CGS),以改善多目标细分.

主要方法:

• 在CGS方法中,一个通用专家负责整体细分,每个目标类别有专门的专家.
• 交叉一致性损失是为了促进通用学家和专家之间的协作学习而开发的.
• 引入了一个跨头错误检测模块,以提高伪标签质量.

主要成果:

• 使用CGS方法可以实现更平衡的培训,减轻大型目标的主导地位.
• 三个基准的实验结果表明,与最先进的方法相比,性能优越.
• 拟议的方法有效地处理多个医疗目标的同时细分.

结论:

• 在半监督的多目标医疗图像细分中,CGS方法提供了显著的进步.
• 基于专家的方法有效地解决了不平衡的目标尺度的挑战.
• 这项工作为多个医疗目标的准确和平衡细分提供了强大的解决方案.