基于对抗一致性的半监督性肺炎细分,使用双重多尺度特征选择和融合平均教师模型以及胸部CTs中的三重注意力动态卷积
Yu Gu1, Jianning Zang1, Lidong Yang1
1School of Digital and Intelligent Industry, Inner Mongolia University of Science and Technology, Baotou, China.
Journal of X-ray science and technology
|September 15, 2025
概括
本研究引入了半监督医疗图像细分的对抗一致性方法. 该方法通过增强特征表示和减少过拟合,提高了肺炎病变细分的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 半监督学习对医疗图像细分有希望,但在数据连接和过拟合方面存在困难.
- 现有的具有固定的参数的细分网络可能会阻碍培训,增加过度拟合风险.
研究的目的:
- 提出基于对抗一致性的半监督细分方法,使用双重多尺度平均教师模型.
- 增强知识从标记到无标记数据的转移,并提高细分网络的稳定性.
主要方法:
- 设计了一个具有适应性特征选择的区分器网络,用于与细分网络交替训练.
- 引入了三重注意力动态卷积 (TADC) 模块,用于灵活调整内核参数.
- 开发了一个特征选择和融合模块 (FSFM),用于动态特征集成.
主要成果:
- 拟议的方法实现了对肺炎病变细分的MosMedData数据集的显著改进.
- 超过基线模型的表现为3.83% (Dice),3.97% (Jaccard) 和3.14% (NSD) 的得分增加.
- 与MosMedData和COVID-19-P20数据集上的最先进的方法相比,表现出卓越的性能.
结论:
- 对抗一致性方法有效地解决了半监督医疗图像细分方面的局限性.
- TADC和FSFM模块增强了特征表示,减少了过拟合,从而提高了细分精度.
- 拟议的方法显示出在医学成像中准确细分肺炎病变的强大潜力.
