半监督医疗图像分割的不确定性意识交叉培训
概括
这项研究引入了半监督医疗图像分割 (UC-Seg) 的不确定性意识交叉培训框架. 通过缓解模型偏差和使用不确定性地图生成高可靠性伪标签,UC-Seg提高了细分精度.
科学领域:
- 医学图像分析
- 机器学习
- 计算机视觉
背景情况:
- 半监督学习减少了医学图像细分中的注释需求.
- 平均教师模型利用未标记的数据, 但可能存在认知偏见.
- 从扰乱的输入中生成高可靠性伪标签是具有挑战性的.
研究的目的:
- 为半监督医疗图像分割 (UC-Seg) 提出一个不确定性意识的交叉培训框架.
- 通过使用两个不同的子网络来减轻模型中的认知偏差.
- 改进高可靠性伪标签的生成,以加强细分.
主要方法:
- 开发了两个不同的子网络的UC-Seg框架.
- 实施跨子网一致性保护 (CCP) 战略,以实现特征一致性.
- 采用细分结果和不确定性图表引入了不确定性意识伪标签生成 (UPG) 组件.
主要成果:
- 在各种医学成像方式 (MRI,CT,超声波,结肠镜检查) 中,UC-Seg显示出优异的细分精度.
- 与现有的半监督技术相比,该方法实现了更好的泛化性能.
- 该框架有效地减轻了模型偏差,并提高了伪标签的质量.
结论:
- UC-Seg提供了一种强大的半监督医疗图像细分方法.
- 拟议的CPT和UPG战略提高了模型的性能和可靠性.
- 该框架显示了需要精确图像细分的临床应用的巨大潜力.


