IHE-Net:隐藏特征差异融合和三重一致性培训,用于半监督的医疗图像细分
Mengyi Ju1, Bing Wang2, Zutong Zhao1
1College of Mathematics and Information Science, Hebei University, Wusi Road 180, Baoding, 071000, Hebei, China.
Artificial intelligence in medicine
|August 5, 2025
概括
本研究介绍了IHE-Net,这是一种用于医疗图像细分的新型半监督深度学习框架,使用异质编码器 (CNN和变压器/Mamba) 来捕获更丰富的特征. 该方法显著提高了皮肤病变数据集的细分性能.
科学领域:
- 医学图像分析 医学图像分析
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机视觉 计算机视觉
背景情况:
- 半监督学习,特别是教师-学生 (TS) 网络,在医疗图像细分中很普遍.
- 具有同质编码器的传统TS网络在复杂的细分任务中难以捕获复杂的细节.
研究的目的:
- 提出一个新的半监督医疗图像细分框架,IHE-Net,利用异质编码器来增强特征表示.
- 通过有效的特征融合和一致性学习,提高医学图像细分的准确性和稳定性.
主要方法:
- 实现了一个框架,使用两个不同的编码器,CNN和变压器/Mamba,从未标记的医疗数据中提取各种特征.
- 引入了一个多级特征差异融合 (MFDF) 模块,以高效地整合异构特征.
- 使用双解码器和混合输出一致性的三重一致性学习策略,以提高预测稳定性.
主要成果:
- IHE-Net框架在ISIC2017,ISIC2018和PH2数据集中的皮肤病变细分方面表现出卓越的表现.
- 废弃研究证实了拟议的MFDF模块和一致性学习策略的有效性和合理性.
- 该方法在没有显著的额外计算成本的情况下获得了最先进的结果.
结论:
- IHE-Net有效地利用异质编码器的特征差异,以改善半监督医疗图像细分.
- 拟议的MFDF模块和三重一致性学习是提高细分精度和稳定的关键组成部分.
- 这个框架为复杂的医疗图像细分任务提供了一个有希望的方向.
