DSMT-Net:双学生平均教师网络,具有像素级伪标签优化,用于半监督的医疗图像细分
Jun Su1, Wenlong Sun1, Bogdan Adamyk2
1School of Computer Science, Hubei University of Technology, Wuhan, 430068, China.
Computational biology and chemistry
|July 12, 2025
概括
本研究介绍了DSMT-Net,这是一种用于医疗图像细分的新方法,通过使用双学生网络和优化伪标签来提高准确性. 这种方法减少了临床诊断中需要大量注释数据的需求.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 医学成像对于疾病的检测和诊断至关重要.
- 半监督学习对于医疗图像细分至关重要,因为注释数据有限.
- 像Mean Teacher这样的现有方法在复杂的医学图像中与低质量的伪标签和噪音作斗争.
研究的目的:
- 介绍一个新的双学生平均教师网络 (DSMT-Net) 以提高医疗图像细分.
- 在半监督学习框架中提高伪标签质量和模型稳定性.
- 减少对医学成像中广泛注释的数据集的依赖.
主要方法:
- DSMT-Net采用双学生架构,将U-Net和Mamba-UNet结合起来,用于本地和全球的特征提取.
- 使用像素级伪标签增强机制,并进行相似性分析和自适应值.
- 自主监督的对比损失强制执行双重学生之间的特征一致性,减轻噪音传播.
主要成果:
- 在ACD和LA数据集上,DSMT-Net表现出显著的有效性.
- 拟议的方法大大降低了医学图像细分的注释要求.
- 实现了伪标签质量和结构一致性的提高.
结论:
- DSMT-Net提供了一个强大的和可扩展的框架,用于半监督的医疗图像细分.
- 该方法通过减少数据注释负担,提高了临床诊断的效率和准确性.
- 协作互补架构和伪标签优化提高了细分性能.
