一个基于原型的稳定性双头网络,用于半监督的医疗图像分割
Leyi Zhang1, Jiayi Li1, Yu Yan1
1College of Computer Science, Sichuan University, Section 4, Southern 1st Ring Rd, Chengdu, Sichuan 610065, P. R. China.
International journal of neural systems
|September 1, 2025
概括
这项研究引入了半监督医疗图像细分的新型双头架构,通过解决类内差异和分布转移来提高性能. 该方法提高了医学图像分析的细分精度和可靠性.
科学领域:
- 医学图像分析
- 计算机视觉
- 机器学习
背景情况:
- 医疗图像的半监督语义细分利用未标记的数据,但面临诸如类内差异和域分布错位等挑战.
- 现有的方法往往需要昂贵的培训,并且要实现语义一致性和空间细节的保存.
研究的目的:
- 为半监督医疗图像分割提出一种新的稳定性意识的双头架构.
- 基于原型和完全卷积网络 (FCN) 的方法进行协同,以提高细分性能.
- 有效地减轻类内差异和类域分布的变化.
主要方法:
- 一个稳定性意识的双头架构,集成基于原型的方法 (用于特征一致性) 和FCN方法 (用于空间细节).
- 一个样本级稳定性意识的自适应增强策略,以减少差异和分布变化.
- 一个以确定性为导向的融合过程,用于动态伪标签的精细化.
主要成果:
- 在BraTS2019和LA心脏数据集上实现了最先进的 (SOTA) 性能.
- 在多个评估指标上,与以前的SOTA方法相比,显著改善.
- 有效地弥合了医疗图像分析领域的差距,提高了伪标签的可靠性.
结论:
- 拟议的框架为半监督的医疗图像细分提供了一个强大的解决方案.
- 稳定性意识的双头架构有效地结合了语义和空间信息以实现精确的细分.
- 这种方法提高了医学图像分析技术的可靠性和性能.
