SEMI-PLC:一个半监督医疗图像细分与伪标签校正的框架
Shiyuan Huang1, Shudong Wang1, Sibo Qiao2
1College of Computer Science and Technology, China University of Petroleum (East China), Qingdao, 266580, Shandong, China.
Computer methods and programs in biomedicine
|August 29, 2025
概括
这项研究引入了一个新的框架来减少半监督医疗图像细分的偏差,通过纠正不稳定的预测来提高有限的标记数据的准确性.
科学领域:
- 医学成像
- 计算机视觉
- 机器学习
背景情况:
- 半监督学习对于医学图像细分至关重要,但由于有限的标记数据,它可能会受到认知偏差的影响.
- 这种偏见在复杂的医学图像中被放大,导致模两可的地区的不稳定预测.
- 缺乏监督多样性进一步阻碍了自我纠正和替代预测的探索.
研究的目的:
- 在半监督的医学图像细分中减轻认知偏差.
- 用有限的标记数据训练的细分模型的准确性和稳定性.
主要方法:
- 提出了一个结合交替培训和伪标签校正的框架.
- 交替培训使用原始和增强的数据来防止模两可的区域的偏见.
- 伪标签纠正使用扰乱驱动一致性和跨子网约束来完善不稳定的伪标签.
主要成果:
- 在只有10%的标记数据的三个公共数据集上取得了卓越的表现.
- 与较强的基线相比,子得分显著改善和95HD降低.
- 有效地缓解偏差积累并提高整体细分性能.
结论:
- 该框架在培训过程中成功识别和纠正脆弱的预测.
- 逐步完善不稳定的伪标签,缓解半监督医疗图像细分中的认知偏差.
- 代码是公开的可复制性.
