用混合图像进行不确定性意识的协作学习,用于半监督的医疗图像细分
Meixi Wang1, Xiumei Li1, Huang Bai1
1School of Information Science and Technology, Hangzhou Normal University, Hangzhou, China.
Computer methods and programs in biomedicine
|October 25, 2025
概括
这项研究引入了一种半监督医疗图像细分的新框架,通过减少杂的伪标签和利用各种数据干扰来提高准确性,以便在医疗AI中更好地泛化.
科学领域:
- 医学图像分析 医学图像分析
- 人工智能在医学中的应用
- 计算机视觉 计算机视觉
背景情况:
- 半监督医疗图像细分 (SSMIS) 使用未标记的数据来降低注释成本.
- 伪标签 (PL) 在SSMIS中很常见,但由于有限的注释,它与杂的标签作斗争.
- 使用单个扰动现有方法的概括性有限;多个扰动带来训练挑战.
研究的目的:
- 为了应对基于PL的SSMIS中杂的伪标签和有限的概括性的挑战.
- 提高医疗图像细分模型的准确性和稳定性.
- 开发一个有效利用标记和未标记数据的框架.
主要方法:
- 为SSMIS提出了一个不确定性意识与混合图像 (CLMI) 的协作学习框架.
- 引入混合原型引导不确定性估计 (MPUE) 通过估计不确定性来减少伪标签噪声.
- CLMI使用扰乱和不扰乱的图像来增强概括性和减轻过度拟合.
主要成果:
- 在 ACDC 上获得了 89.97% 的 Dice 评分,在 PROMISE12 数据集上达到 81.20%,仅有 10% 的标记数据.
- 与最先进的半监督方法相比,表现出显著的优异性.
- 验证了框架在公共医疗图像数据集上的有效性.
结论:
- 拟议的框架提高了半监督医疗图像细分的准确性.
- 实验证实了该框架在现有方法上的优势.
- 代码是公开可用的可复制性和进一步研究.
