不确定性引导的原型可靠性增强网络为少数镜头医疗图像分割

科学领域:

• 医学图像分析 医学图像分析
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 短拍学习 (FSL) 对于医疗图像细分至关重要,因为标记数据有限.
• 目前的FSL方法在有效的原型学习中扎,以获得准确的细分.
• 现有的方法通常依赖于对细分进行基本的近邻搜索.

研究的目的:

• 建议以不确定性为导向的原型可靠性增强网络 (UPRE-Net) 用于少数镜头医学图像细分.
• 在数据稀缺的医学成像中提高类原型的可靠性和信息性.
• 增强来自多个支持图像的信息融合,以获得更好的细分结果.

主要方法:

• 实现了双支持分支,并增强了从支持图像中全面提取信息的功能.
• 引入了不确定性引导原型生成 (UPG) 模块,以使用不确定性措施选择信息化的全球和本地原型.
• 开发了一个可靠的动态融合 (RDF) 模块,用于对双支持分支预测的自适应集成.
• 利用不确定性诱导的加权损失 (UWL) 将模型培训集中在高不确定性地区.

主要成果:

• 在四个基准医疗图像数据集上,UPRE-Net在最先进的方法上表现出显著的性能改进.
• 拟议的UPG模块通过选择信息化的原型,有效地提高了原型的可靠性.
• RDF模块成功地整合了来自双支持分支的信息,以实现更强大的细分.
• UWL损失函数指导模型优先考虑不确定的区域,提高细分精度.

结论:

• 通过提高原型可靠性和信息融合,UPRE-Net提供了一个强大的解决方案,用于为数次拍摄的医疗图像细分.
• 这种以不确定性为导向的方法有效地解决了医疗细分中的有限数据的挑战.
• 实验结果证实了UPRE-Net的优越性,突出了其临床应用的潜力.