具有双向知识交换的双层半监督协作医疗图像细分与双向知识交换
Zhongda Zhao1, Haiyan Wang2, Tao Lei3
1Key Laboratory of Ocean Acoustics and Sensing Ministry of Industry and Information Technology, Northwestern Polytechnical University, Xi'an, 710072, Shaanxi, China.
Medical image analysis
|November 5, 2025
概括
这项研究引入了一种新的双层联合培训框架,具有双向知识交换,通过在模型层之间创建一个积极的反循环来显著提高图像细分性能.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 传统的联合培训方法往往不充分利用集体学习,导致资源分配效率低下.
- 现有的方法在利用集体学习的全部潜力来完成细分任务时面临局限性.
研究的目的:
- 提出一个先进的两级联合培训结构,增强集体学习,以提高细分性能.
- 解决二级模型中由一级模型的学习能力造成的性能瓶.
主要方法:
- 实施了两级联合培训结构,包括一级经典联合培训模型和二级模型,使用集体伪标签.
- 引入了一个双向的知识交换策略,灵感来自于pix2pixHD,用于模型级别之间的功能反.
- 将这些组件集成到一个积极的反循环中,以提高模型的整体性能.
主要成果:
- 与单个一级模型相比,二级模型显示出优越的细分性能.
- 双向的知识交换有效地减轻了性能限制,提高了第一级和第二级模型的能力.
- 拟议的方法在多个基准数据集上实现了强大的竞争力,与最先进的方法相比.
结论:
- 新的双层联合培训结构与双向知识交流显著提高了图像细分.
- 这种积极的反循环架构提供了一个更有效和资源高效的方法,以集体学习在细分.
- 该方法在语义细分领域显示出有希望的结果和竞争力.
