医疗图像的半监督细分与伪标签校准和神经过程

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 半监督细分利用未标记的数据,但与杂的伪标签作斗争.
• 现有的方法通常依赖于模型信心,这可能是不可靠的.
• 杂的伪标签阻碍了伪监督在细分任务中的有效性.

研究的目的:

• 为了减轻在半监督细分中杂的伪标签的影响.
• 为了提高医疗图像细分的稳定性和准确性.
• 引入新的技术伪标签校准独立于模型的信心.

主要方法:

• 提出了一种具有双重信心的伪监督方法,以削弱不可靠的伪标签.
• 开发了一种基于分布一致性的新型规范化方法,用于校准基于分布一致性的杂伪标签.
• 利用基于神经过程理论的关节优化用于伪标签校准.

主要成果:

• 在医疗图像细分任务中展示了实际改进.
• 对不可靠的模型信心表现出增强的稳定性.
• 与最先进的半监督学习方法相比,取得了更高的表现.

结论:

• 拟议的方法有效地解决了在半监督细分中杂的伪标签.
• 双重信心伪监督和基于分布的校准提高了细分的准确性.
• 这些发现为医学图像分析的伪监督提供了新的见解.