使用双解码器相互教学与平均教师框架进行医学图像细分
Juan Zhang1,2, Gaoqiang Jiang1,2, Zhongwen Li3
1National Engineering Research Center of Ophthalmology and Optometry, Eye Hospital, Wenzhou Medical University, Wenzhou, 325027, China.
Pattern recognition
|August 20, 2025
概括
这项研究引入了双解码相互教学 (DDMT),这是一种用于医疗图像细分的新型半监督学习方法. 通过有效使用有限的标记数据和大量的未标记数据,DDMT显著减少了注释工作.
科学领域:
- 医学图像分析
- 深度学习
- 计算机视觉
背景情况:
- 准确的医学图像细分对于临床应用至关重要.
- 医疗图像的手动标注需要大量的时间和劳动力.
- 深度学习模型需要大量的注释数据集以实现最佳性能.
研究的目的:
- 开发一种新的半监督细分方法,以减少手动注释的费用.
- 在细分任务中提高深度学习模型的稳定性和形状一致性.
- 通过有限的标签和大量的无标签图像实现有希望的细分性能.
主要方法:
- 引入了双解码器相互教学 (DDMT),一种半监督的细分方法.
- 纳入平滑指数移动平均值 (sEMA),以提高模型的稳定性.
- 整合形状一致性约束 (SCC) 用于跨解码器的一致形状学习.
主要成果:
- 在有限的标记数据上,DDMT表现出有前途的细分性能.
- 这种方法始终优于先进的半监督学习方法.
- 在左心室,胰腺和视盘数据集上的实验证实了DDMT的有效性.
结论:
- DDMT提供了一种有效的解决方案,用于减少医疗图像细分中的手动注释.
- 提出的方法提高了模型的稳定性和形状的一致性.
- 对于需要精确的图像细分的临床应用,DDMT具有显著的潜力.
