相关实验视频
Updated: May 14, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
322
基于双交换数据混合和交叉EMA策略的半监督医疗图像细分
Licheng Zheng1, Lihui Wang1, Yingfeng Ou1
1Key Laboratory of Advanced Medical Imaging and Intelligent Computing of Guizhou Province, Engineering Research Center of Text Computing & Cognitive Intelligence, Ministry of Education, State Key Laboratory of Public Big Data, College of Computer Science and Technology, Guizhou University, Guiyang, China.
Medical physics
|April 11, 2025
概括
本研究引入了一种新的半监督医疗图像细分方法,使用双交换数据增强和交叉指数移动平均 (crossEMA) 来减少确认偏差和参数合. 该方法显著提高了对公共数据集的细分性能.
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:
- 半监督的医疗图像细分利用有限的标记数据与大量的未标记数据.
- 平均教师 (MT) 框架显示出希望,但受到确认偏差和参数合问题的影响.
- 标记和未标记数据之间的分布差异加剧了MT模型中的确认偏差.
研究的目的:
- 引入一种新的数据增强策略和交叉指数移动平均 (crossEMA) 架构.
- 为了减少医学图像细分的MT框架中的确认偏差.
- 为了减轻MT架构中的参数合问题.
主要方法:
- 双交换混合数据增强交换图像补丁以减少确认偏差.
- 提出了一个新的MT架构,具有结构相同的双解码器,其中一个具有掉机.
- 跨EMA策略更新教师网络解码器参数,使用学生网络参数来克服合.
主要成果:
- 拟议的方法在四个公共数据集上优于最先进的半监督细分技术.
- 子相似度系数 (DSC) 和体积相似度 (VS) 分别提高了至少2.33%和1.86%.
- 废除研究证实,双重交换策略减少了分布差异,交叉EMA防止了早期趋同.
结论:
- 提出的策略有效地减轻了基于MT的半监督学习中的确认偏差和参数合.
- 这种方法为增强半监督医疗图像细分提供了一个有希望的解决方案.
- 这些新技术有助于更强大,更准确的医学图像分析.
