对超声波半监督细分的特定类别未标记数据风险最小化
Lu Xu1, Mingyuan Liu1, Boxuan Wei1
1School of Biological Science and Medical Engineering, Beihang University, Beijing, China.
Medical image analysis
|October 14, 2025
概括
这项研究介绍了CSUDRM,这是一种用于超声波图像的新型半监督细分模型. 它通过对准特定类别的分布来提高准确性,并最大限度地降低未标记的数据风险,实现最先进的结果.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 精确的超声波图像分析受到文物和专家注释的稀缺性所阻碍.
- 半监督细分提供了一个解决方案,但往往忽视了组织特定的学习挑战和对未标记数据的经验风险最小化.
研究的目的:
- 提出一个新的半监督细分模型,CSUDRM,解决当前超声波图像分析的局限性.
- 通过结合特定类别的分布对齐和未标记的数据风险最小化来增强模型的概括性和稳定性.
主要方法:
- 开发了两个模块的CSUDRM:类别特定分布对齐 (CSDA) 进行一致的特征学习和未标记数据风险最小化 (UDRM) 优化整体培训数据.
- 通过特定类别的处罚,CSDA增强了类内紧性和类间差异.
- 使用CSDA指导的可学习类先前估计器,UDRM对未标记的数据进行估计和最小化风险.
主要成果:
- 在四个不同的超声数据集中,CSUDRM实现了最先进的性能.
- 废弃性研究证实了拟议的CSDA和UDRM模块的优势.
- 功能空间可视化和强度分析表明,模型稳定性和准确性得到了增强.
结论:
- 拟议的CSUDRM模型有效地解决了半监督超声波图像细分方面的关键挑战.
- 集成CSDA和UDRM显著提高了细分的准确性,稳定性和通用性.
- 这项工作为推进医学成像中的计算机辅助诊断提供了一个强大的框架.
