一种轻量级的双学生平均教师半监督的皮肤病变语义细分方法
Guokai Zhang1, Jindian Lu1, Yongyong Chen2
1The School of Optical-Electrical and Computer Engineering, University of Shanghai for Science and Technology, Shanghai, 200093, China.
概括
本研究介绍了一种以高效组增强不确定性为导向的双学生平均教师 (EGE-UDSMT) 模型,用于皮肤病变细分. 这种新方法显著降低了计算复杂性,提高了细分精度,使其更适合临床使用.
科学领域:
- 医学图像分析 医学图像分析
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 对皮肤病变细分的监督模型显示出希望,但由于高计算需求和昂贵的像素级注释,面临挑战.
- 这些局限性阻碍了它们在临床环境中的实际应用.
研究的目的:
- 开发一种高效准确的半监督学习方法,用于皮肤病变细分.
- 解决现有监督模型的计算和注释成本挑战.
主要方法:
- 提出了高效组增强的不确定性导向双学生平均教师 (EGE-UDSMT) 方法.
- 加入了一个额外的学生子网络,用于培训稳定性和信心地图生成.
- 使用轻量级模块来降低网络复杂性和计算负载.
主要成果:
- 在ISIC 2017和ISIC 2018数据集上实现了卓越的细分性能.
- 与UCMT (U-Net) 相比,参数数量减少了34倍,计算复杂性减少了42倍.
- 提高了5.32%的子相似系数 (DSC) 和0.96%的欧盟平均交叉点 (mIoU).
结论:
- EGE-UDSMT方法为皮肤病变细分提供了一个计算效率高,性能高的解决方案.
- 提出的方法有效地克服了临床应用中传统监督方法的局限性.
