双交叉图像语义一致性与自我意识的伪标签用于半监督的医疗图像分割

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 由于有限的标记数据,半监督学习对于医学图像细分至关重要.
• 当前的方法往往忽视了区域一级的一致性,并存在特征差异.
• 现有的方法主要集中在像素智能的一致性上,限制了它们的有效性.

研究的目的:

• 引入一个新的双交叉图像语义一致性 (DuCiSC) 学习框架.
• 解决目前半监督医疗图像细分方法的局限性.
• 通过强制执行像素智能和区域级语义一致性来提高细分精度.

主要方法:

• DuCiSC强制执行像素智能的语义一致性,并为区域级一致性引入双重范式.
• 原型在标记/未标记和标记/融合图像之间对齐,以建立交叉图像语义.
• 使用自我意识的信心估计策略,从未标记的数据中选择可靠的伪标签.

主要成果:

• 通过建立一致的交叉图像语义,DuCiSC有效地解决了特征差异问题.
• 该框架在四个不同的数据集上展示了优异的细分结果.
• 在左心室,胰腺,心脏和下膜神经细分任务上得到验证.

结论:

• DuCiSC显著推进了半监督的医疗图像细分.
• 拟议的框架为处理有限的标签数据提供了一个强大的解决方案.
• 该方法显示了最先进的性能,并将公开提供.