从少数人到更多人:通过掩盖的上下文建模和连续的伪标签,基于涂的医疗图像细分.
IEEE journal of biomedical and health informatics
|August 19, 2025
概括
马科使用新的技术来改进医疗图像细分,例如掩盖上下文建模和连续伪标签. 这种方法在弱监督的细分方面取得了最先进的结果,减少了注释需求.
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:
- 弱监督的细分方法可以降低医学成像中的注释成本.
- 现有的方法与稀疏的注释作斗争,并依赖于硬伪标签.
- 有效地处理不同的注释丰富度对于模型性能至关重要.
研究的目的:
- 推出MaCo,这是一种用于医疗图像细分的新型弱监督模型.
- 解决目前处理稀疏注释的方法的局限性.
- 开发一个模型,有效地从有限的,基于涂的注释中学习.
主要方法:
- 马科使用面具上下文建模 (MCM) 以基于注意力的掩盖策略.
- 连续伪标签 (CPL) 在距离地图上使用指数式衰变函数生成.
- 该模型从来自CPL的信任地图中学习,避免硬伪标签.
主要成果:
- 与现有的监管较弱的方法相比,MaCo表现优越.
- 该模型在三个公共医疗图像细分数据集中取得了最先进的结果.
- 拟议的MCM和CPL技术有效地应对稀疏的注释挑战.
结论:
- 麦科在医疗图像细分方面取得了重大进展,监督能力较弱.
- 由MCM和CPL实现的"从少数到更多"原则,增强了模型的稳定性.
- 这项工作为基于涂的医疗图像细分设定了新的基准.
