半监督医疗图像细分使用异质互补校正网络和信心对比学习
Lei Li1, Miaosen Xue2, Songyang Li3
1Key Laboratory of Grain Information Processing and Control (Henan University of Technology), Zhengzhou, 450001, China. leili@haut.edu.cn.
Interdisciplinary sciences, computational life sciences
|July 11, 2025
概括
这项研究介绍了HC-CCL,这是一种用于医疗图像细分的新型半监督方法,通过纠正学生模型预测和增强特征学习来提高准确性. 它在多个数据集上实现了最先进的结果.
科学领域:
- 医疗图像分析 医学图像分析
- 计算机视觉 计算机视觉 计算机视觉
- 机器学习是机器学习.
背景情况:
- 半监督学习对于医疗图像细分至关重要,平均教师 (MT) 框架显示出前景.
- 现有的MT方法由于教师模型产生的不可靠的伪标签而面临局限性.
研究的目的:
- 为医疗图像细分提出一种创新的半监督方法,解决当前方法的局限性.
- 通过使用一种新的框架,提高医疗图像细分的准确性和稳定性.
主要方法:
- 开发了一个三分支框架,将异质补充校正 (HCC) 网络集成到MT框架中.
- 引入了信心对比学习 (CCL) 通过一种新的抽样策略来改进特征学习.
- 采用动量样式传输 (MST) 和切割式增强来弥合数据分布差距并提高无监督性能.
主要成果:
- 拟议的HC-CCL方法在现有方法上显示出显著的性能优势.
- 在三个不同的医疗图像数据集 (LA,NIH胰腺,Brats-2019) 上,在所有指标上实现了最先进的性能.
结论:
- 在半监督医疗图像细分中,HC-CCL有效地纠正预测错误,并增强功能学习.
- 该方法为临床诊断应用提供了强大而高性能的解决方案.
