S&D Messenger:用于通用半监督医疗图像细分的语义和域知识交换

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 用于医疗图像分割的手动标签是耗时的.
• 数据集中的域变化会带来诸如半监督医疗域泛化 (Semi-MDG) 和无监督医疗域适应 (UMDA) 等挑战.
• 现有的方法很难在半监督的环境中有效地整合语义和领域知识.

研究的目的:

• 开发半监督医疗图像细分 (SSMIS),半MDG和UMDA的统一框架.
• 解决不同知识来源 (标记数据与未标记数据) 的挑战.
• 在单个学习过程中增强语义和领域知识的理解.

主要方法:

• 引入了一个语义和域名知识使者 (S&D Messenger).
• 促进了标记和未标记数据集之间的直接知识传输.
• 将S&D Messenger集成到一个伪标签方法中.

主要成果:

• 在十个基准数据集上实现了显著的性能改进.
• 在SSMIS (+7.5%),UMDA (+5.6%) 和半MDG (+1.14%) 任务中取得了显著的收益.
• 超越了针对个别任务的专业化最先进的方法.

结论:

• S&D Messenger提供了一个通用且有效的解决方案,用于医疗图像细分任务,具有域变异.
• 在标记和未标记集之间直接传递知识对于掌握各种半监督场景至关重要.
• 拟议的框架提供了一种通用方法,以推进医疗图像分析.