MetaSSL:半监督医疗图像分割的一般异质损失
IEEE transactions on medical imaging
|September 3, 2025
概括
通过引入空间异质损失,MetaSSL增强了医疗成像的半监督学习 (SSL). 这种方法有效地利用像素信息,改善细分性能并降低注释成本.
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 (SSL) 对于降低医学图像细分的注释成本至关重要.
- 现有的SSL方法往往忽略了标记数据噪声和像素值异质性.
- 目前的方法集中在参考预测生成上,而不是挖掘预测信息.
研究的目的:
- 为更有效的半监督学习提出一个通用框架,MetaSSL.
- 根据不确定性和一致性对像素进行权重的空间异质损失函数.
- 解决有关标记数据噪声和未标记像素值异质性的现有SSL方法的局限性.
主要方法:
- 开发了一个利用空间异质损失函数的框架MetaSSL.
- 实施基于四个区域的像素权重策略:一致和自信 (UC),一致和可疑 (US),不一致和自信 (DC) 和不一致和可疑 (DS).
- 引入了适应值,以区分自信与可疑的预测,并将异质损失应用于标记的数据,以实现强大的学习.
主要成果:
- 当与现有的SSL框架集成时,MetaSSL显著提高了细分性能.
- 提出的方法在不同数据集中表现出有效性.
- 由于MetaSSL的插即用性,因此可以对大多数SSL方法进行一般应用.
结论:
- 通过关注损失函数中的挖掘预测信息,MetaSSL提供了一种半监督学习的新方法.
- 空间异质损失有效地利用不确定性和一致性来改善医疗图像细分.
- 在医疗AI中降低注释成本, MetaSSL 提供了一个强大而可通用的解决方案.
