一种混合方法,通过伪标签改进来增强医疗图像中的伪标签
Behnam Rahmati1, Shahram Shirani2, Zahra Keshavarz-Motamed3
1Electrical Computer Engineering Department, McMaster University, Hamilton, Ontario, Canada.
Scientific reports
|October 8, 2025
概括
这项研究增强了用于医疗图像细分的半监督学习,通过改进伪标签来提高有限数据的准确性. 这种新的方法提高了CT和MRI数据集的细分性能,证明了稳定性和效率.
科学领域:
- 医疗图像分析 医学图像分析
- 医疗保健中的人工智能
- 计算机视觉 计算机视觉 计算机视觉
背景情况:
- 深度学习在医学图像细分方面表现出色,但需要广泛的标记数据.
- 有限的标记数据对当前的深度学习模型构成了重大挑战.
- 半监督学习提供了一个解决方案,但有局限性,特别是对于独特的医学图像特性,如光滑的边界.
研究的目的:
- 为了改进医疗图像细分,调整和增强伪标签方法.
- 为了应对医疗图像细分中的有限标记数据的挑战.
- 将传统的图像处理与深度半监督学习相结合,以提高细分精度和稳定性.
主要方法:
- 修改了网络损失函数和基于不确定性的伪标签修剪.
- 集成的传统图像处理与深度半监督学习,以提高边缘精细化.
- 开发了一种混合方法,平衡深度学习和具有可调节参数的传统方法.
主要成果:
- 在有限的标记数据 (10-15%) 的CT和MRI数据集上实现了细分精度的显著改进.
- 在Sunnybrook心脏,COVID-19CT肺部和自动心脏诊断挑战数据集上表现出卓越的性能.
- 在细分内心脏,上心脏,肺部,心肌和右心室方面表现出更高的准确性.
结论:
- 提议的增强伪标签方法显著提高了医疗图像细分的准确性和稳定性,而数据有限.
- 将传统的图像处理技术与深度半监督学习相结合,可以有效地捕捉细微的边缘和光滑的边界.
- 该方法为医疗图像细分挑战提供了可调节和高效的解决方案,性能优于现有的方法.
