基于多阶段的代训练和高可靠性伪标签的半监督医疗图像细分

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 医学图像分析 医学图像分析

背景情况:

• 半监督学习对于图像细分至关重要,因为注释成本很高.
• 现有的方法经常与来自扰乱输入的低可信度伪标签作斗争.
• 多分支联合培训结构可能导致梯度干扰和性能降低.

研究的目的:

• 开发一种新的半监督细分框架,以提高伪标签的可靠性.
• 解决现有方法中低可信度伪标签和梯度干扰的挑战.
• 提高医疗图像细分中的数据利用效率和模型稳定性.

主要方法:

• 一个多阶段的培训策略,区分标记和未标记的数据培训.
• 一个平衡的不确定性调整模块 (BUAM) 改进伪标签生成.
• 尽量减少多分支梯度干扰和输入干扰的不利影响.

主要成果:

• 拟议的框架大大提高了伪标签的可靠性.
• 多阶段方法减少了输入干扰和梯度干扰的负面影响.
• 该框架在ISIC和心脏MRI数据集上表现出卓越的性能,超过了最先进的方法.

结论:

• 新的多阶段半监督细分框架在现有方法上提供了明显的优势.
• BUAM模块有效地改善了伪标签生成和数据利用.
• 该方法提高了模型稳定性,并在医学图像细分方面取得了最先进的结果.