基于人类视线的双教师指导学习,用于半监督的医疗图像细分
Rongjun Ge1, Chong Wang2, Yuxin Liu3
1School of Instrument Science and Engineering, Southeast University, Nanjing, 210096, China.
概括
人类目光数据通过改善数据集多样性和网络感知来增强半监督的医疗图像细分. 基于人类视线的双教师指导学习模型 (HG-DTGL) 在各种模式中提供了卓越的性能和概括性.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 计算机视觉 计算机视觉
背景情况:
- 医疗图像细分面临挑战,因为有限的标记数据,阻碍了模型的准确性.
- 凝视数据为改进细分模型提供了一种成本效益高的替代手动注释.
研究的目的:
- 为了解决数据稀缺问题,并在半监督的医疗图像细分中增强网络感知.
- 在平均教师架构中引入一种利用人类视线数据的新框架.
主要方法:
- 提出了基于人眼的双教师指导学习 (HG-DTGL) 模型,将人眼作为指导机制整合在一起.
- 引入了GazeMix用于数据集扩展和多尺度视线感知 (MGP) 模块用于增强的特征提取.
- 开发了凝视损失功能,以使模型的感知与人类凝视模式保持一致.
主要成果:
- HG-DTGL在通过多种医学成像模式对十种不同的器官/组织进行细分方面表现出卓越的性能.
- 该模型有效地扩大了数据集的规模和多样性,改善了网络感知能力.
- 广泛的实验证实了拟议方法的强大泛化能力.
结论:
- 人类目光数据显著增强了半监督的医疗图像细分.
- HG-DTGL模型显示了改善医学图像分析和临床应用的巨大潜力.
