释放中间域的力量混合域半监督医疗图像分割的中间域

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:

• 有限的注释和域移动是医疗图像细分的重大挑战.
• 现有的方法往往孤立地解决这些问题,无法解释它们的共同共存.

研究的目的:

• 介绍一个新的场景,混合域半监督医疗图像分割 (MiDSS).
• 提出UST-RUN框架,有效地处理来自一个域的有限标记数据和来自多个域的大量未标记数据.

主要方法:

• 使用统一复制粘贴 (UCP) 来创建知识传输的中间域.
• 使用对称指导 (SymGD) 培训策略,通过合并的伪标签监督未标记的数据.
• 整合培训过程意识的随机幅度混合 (TP-RAM) 进行渐进式风格过渡组件集成.

主要成果:

• UST-RUN在四个公共数据集中展示了卓越的性能.
• 在前列腺数据集上的子得分得到了显著的12.94%的改善.
• 该框架有效地利用中间领域的信息来加强知识传输.

结论:

• UST-RUN框架为具有挑战性的MiDSS场景提供了强大的解决方案.
• 提出的方法,包括UCP,SymGD和TP-RAM,大大提高了医疗图像细分的准确性.
• 这项工作为在域转移条件下进行医学成像的半监督学习提供了宝贵的进步.