欧洲安全与合作委员会:交叉监督和信任增强伪标签用于半监督的皮层下大脑结构细分
Yuan Sui1, Yujie Zhang1, Chengan Liu1
1School of Computer Science and Engineering, Northeastern University, Shenyang, 110169, Liaoning, China.
Journal of neuroscience methods
|July 13, 2025
概括
这项研究引入了一种新的半监督方法,用于使用双重深度学习模型对大脑结构进行细分. 该方法通过提高伪标签可靠性来提高准确性,从而导致更好的细分结果,而不会增加计算成本.
科学领域:
- 神经成像是一种神经成像.
- 医学图像分析 医学图像分析
- 人工智能的人工智能
背景情况:
- 准确细分皮质下大脑结构对于诊断和治疗大脑疾病至关重要.
- 深度学习模型在医学图像细分方面表现出色,但需要大量的标记数据,这是昂贵和耗时的.
- 半监督学习通过利用未标记的数据提供了一个实际的解决方案.
研究的目的:
- 提出一种新的半监督框架,用于使用双学生-教师模型对皮质下大脑结构进行细分.
- 通过信任增强机制,提高伪标签的可靠性.
- 在不增加计算资源的情况下实现更好的细分性能.
主要方法:
- 一个双重的学生-教师框架,采用U-Net和TransUNet模型进行相互监督.
- 由教师模型生成伪标签,以训练学生模型.
- 信任增强机制,包括信息用于不确定性量化和伪标签选的辅助检测任务.
主要成果:
- 拟议的交叉监督和信任增强 (CSCE) 框架显著提高了两个公共大脑MRI数据集的细分精度.
- 与最先进的半监督方法相比,获得了优异的子得分和最小豪斯多夫距离 (MHD) 值.
- 最终的推断网络,只使用一个教师模型,在没有额外的参数或细分时间的情况下显示了增强的结果.
结论:
- 欧洲安全与合作委员会框架有效地利用未标记的数据来进行强大的半监督的皮层下大脑结构细分.
- 自信增强机制对于半监督学习的可靠交叉监督至关重要.
- 拟议的方法为神经成像中的临床应用提供了一个计算效率高和高度准确的解决方案.
