深度自我清洁,用于医疗图像细分,带有噪音标签的标签
Jiahua Dong1, Yue Zhang2,3, Qiuli Wang4
1College of Computer Science and Technology, Zhejiang University, Hangzhou, China.
Medical physics
|September 22, 2025
概括
这项研究引入了一个深度自我清洁框架,通过过噪音标签来提高医疗图像细分的准确性. 该方法通过保持清洁的标签和清洁不准确的标签来增强疾病诊断和手术规划.
科学领域:
- 医学成像和计算机辅助诊断.
- 深度学习在医疗保健中的应用.
- 图像处理和分析.
背景情况:
- 医学图像细分对于诊断和手术规划至关重要.
- 监督深度学习方法很常见,但对杂的标签敏感.
- 不准确的标签,就像不准确的边界一样,阻碍了模型的性能.
研究的目的:
- 开发一个强大的细分框架,减轻噪音标签的影响.
- 通过保持干净和清洁噪音标签来提高细分精度.
- 提高医学成像中的深度学习模型的可靠性.
主要方法:
- 引入了一个深度自我清洁的细分框架.
- 使用基于高斯混合模型 (GMM) 的标签过模块 (LFM) 识别噪音标签.
- 使用标签清洗模块 (LCM) 来生成用于培训的伪低噪音标签.
主要成果:
- 在临床肝脏瘤和公共心脏数据集上取得了显著的细分性能改善.
- 在B模型中表现出 +7.31% 的提升,在L模型的细分精度中表现出 +12.36% 的改善.
- 有效地抑制噪音标签干扰,增强目标结构建模和细分强度.
结论:
- 拟议的框架为医疗图像细分中的噪音标签提供了解决方案.
- 整合LFM和LCM有效地保护了清洁标签,并产生了低噪音的伪标签.
- 经过验证的方法显示了改善疾病诊断和手术规划的潜力.
