半监督医疗图像细分的确定性引导交叉对比学习

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 (SSL) 对于医疗图像细分至关重要,因为标记数据有限.
• 通常,SSL的性能跟随需要完整数据集的完全监督的方法.
• 弥合这一性能差距对于实际的临床应用至关重要.

研究的目的:

• 开发一个新的SSL框架,显著缩小SSL和完全监督方法之间的性能差距.
• 为了在医疗图像细分中使用更少标记数据实现高精度.
• 提高SSL的稳定性,防止不准确的伪标签和类不平衡.

主要方法:

• 一个新的SSL框架,采用两个网络之间的知识交换过程.
• 一个以确定性为导向的对比学习策略,以减轻伪标签的不准确性和阶级不平衡.
• 在多个尺度上进行交叉监督的对比学习,以实现层次特征学习.
• 通过新的抽样策略和负记忆库进行高效的对比学习.

主要成果:

• 拟议的框架在三个具有挑战性的医疗图像细分基准上取得了最先进的结果.
• 与传统方法相比,使用不到标记数据的四分之一的方法显示了显著的性能改善.
• 当与各种SSL框架集成时,展示了更好的准确性.

结论:

• 新的SSL框架有效地缩小了半监督和完全监督的医疗图像细分之间的差距.
• 以确定性为指导的对比学习和多尺度方法是实现高准确性和稳健性的关键.
• 该方法提供了一个高效和准确的解决方案,用于医疗图像细分与有限的标记数据.