半监督医疗高光谱图像细分使用对立一致性约束学习和交叉指示网络

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:

• 超光谱成像为病态图像分割提供了丰富的空间和光谱数据.
• 医学高光谱图像的手动注释是劳动密集型和耗时的,阻碍了模型培训.
• 需要半监督学习框架来利用未标记的数据.

研究的目的:

• 开发一种新的半监督学习框架,用于使用超光谱数据进行准确的病理图像细分.
• 为了应对医学高光谱图像分析中有限的注释数据的挑战.

主要方法:

• 提出了对抗性一致性约束学习交叉指示网络 (ACCL-CINet).
• 使用语境和结构编码器采用空间频谱特征编码方法.
• 使用交叉指示注意模块进行特征聚合.
• 实施了一种半监督的培训策略,具有像素感知一致性和伪标签生成的对抗性约束.

主要成果:

• ACCL-CINet实现了高精度的病理图像细分.
• 在公共和私人数据集上的实验结果表明,与最先进的半监督方法相比,性能更好.
• 拟议的方法有效地利用未标记的数据来提高细分精度.

结论:

• ACCL-CINet为半监督医疗高光谱图像细分提供了强大而有效的解决方案.
• 对抗一致性约束学习策略显著提高了细分性能.
• 该框架对推进病态图像分析有前途.