半监督医疗图像分割的最佳传输和中央动量一致性规范化

科学领域:

• 医疗图像分析 医学图像分析
• 机器学习是机器学习.
• 计算机视觉 计算机视觉 计算机视觉

背景情况:

• 半监督学习通过使用未标记的数据来提高模型的概括性.
• 现有的方法往往侧重于局部特征,忽视医疗图像细分中的全球结构.
• 标签传播技术可能受到局部信息的限制,并易于局部最佳.

研究的目的:

• 开发一个半监督的医疗图像细分框架,整合全球视角.
• 通过考虑整个数据分布和几何结构来改善标签传播和特征学习.
• 克服现有方法的局限性,这些方法专注于本地代表.

主要方法:

• 引入了一个整合最佳运输 (OT) 和中央时刻一致性规范化 (OTCMC) 的框架.
• 利用OT进行全面的标签传播,从标记到未标记的数据.
• 整合了中心时刻一致性规范化,以专注于图像几何结构.

主要成果:

• 在多个医学图像细分数据集上实现了最先进的 (SOTA) 性能.
• 与现有方法相比,证明了更好的概括性和全球结构学习.
• 成功应用于NIH胰腺,左心室,脑瘤和皮肤损伤皮肤显微镜数据集.

结论:

• 拟议的OTCMC框架通过利用全球信息,有效地增强了半监督的医疗图像细分.
• 整合最佳传输和中心时刻的一致性为标签传播和几何学习提供了更强大的方法.
• 该方法显示了在各种临床应用中提高细分精度的巨大潜力.