CUAMT:基于上下文信息和混合不确定性的MRI半监督医疗图像细分框架
Hanguang Xiao1, Yangjian Wang1, Shidong Xiong1
1School of Artificial Intelligence, Chongqing University of Technology, Chongqing 401135, China.
Computer methods and programs in biomedicine
|April 30, 2025
概括
本研究引入了一种新的半监督医疗图像细分框架,通过利用上下文信息和混合不确定性来提高边界精度. 该模型有效地提高了细分性能,在基准数据集上表现优于现有的方法.
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图像细分中的数据标签.
- 现有的方法与体积上下文信息作斗争,导致模两可的界限.
研究的目的:
- 提出一个新的半监督医疗图像细分框架.
- 通过有效利用上下文和不确定性信息来增强边界定义.
主要方法:
- 开发了一个混合不确定性网络 (CUAMT),其中包含了一个上下文信息提取 (CIE) 模块.
- 提出混合不确定性模块 (HUM) 以关注细分边界细节.
- CIE提取多个尺度的语义特征来学习图像上下文.
主要成果:
- 在左心房和脑瘤数据集上取得的数据: 89.84%,Jaccard: 79.89%,95HD: 8.73.
- 与最先进的半监督方法相比,表现出显著的优异性.
- 验证了拟议的CIE和HUM战略的有效性.
结论:
- 拟议的框架为半监督医疗图像细分提供了一种有效的方法.
- 整合上下文和不确定性模块显著提高了细分精度,特别是在边界.


