对半监督域的增强和解的协作学习 一般化医学图像细分 半监督域的医学图像细分

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
• 机器学习 机器学习

背景情况:

• 半监督域泛化 (SSDG) 面临着标签稀缺和域移动的挑战.
• 现有的SSDG方法无法区分域内转移 (IDS) 和跨域转移 (CDS),并且忽视了标签稀缺的影响.
• 当前的方法通常结合了半监督学习 (SSL) 和域泛化 (DG),而没有解决它们的相互作用.

研究的目的:

• 提出一个新的框架,CausalAD,用于半监督的域概括医疗图像细分.
• 解决现有SSDG方法的局限性,将问题分解为无监督域调整 (UDA) 和DG.
• 提高医疗图像在不同领域的细分的稳定性和准确性.

主要方法:

• 因果AD框架结合了无监督域适应 (UDA) 和域泛化 (DG).
• 采用因果增强过程,使用UDA的分离式样式因子.
• 具有解过程,以将域不变的内容与DG的域变量特征分开.
• 使用基于代理的自动步调培训策略 (ProSPT) 进行有效的学习,使用伪标签.
• 介绍了一个层次结构因果模型 (HSCM) 用于概念解释.

主要成果:

• 因果AD在半监督域泛用医学图像细分中表现出显著的有效性.
• 与最先进的方法相比,在跨序列,跨站点和跨模式设置中实现了更高的性能.
• 拟议的ProSPT战略通过选择高质量的伪标签,有效地指导培训.

结论:

• 在医学成像中,CausalAD为半监督域概括提供了一种新且有效的方法.
• 该框架成功地处理了标签稀缺性和域名转移挑战.
• 该方法显示了对需要强大的医疗图像细分的现实应用的巨大潜力.