多次注释协议和预测一致性网络:改善医疗图像的半监督细分与模两可的边界
Shuai Wang1, Tengjin Weng2, Jingyi Wang3
1School of Cyberspace, Hangzhou Dianzi University, Hangzhou, 310018, China; School of Mechanical, Electrical & Information Engineering, Shandong University, Weihai, 264209, China.
Artificial intelligence in medicine
|November 6, 2025
概括
本研究介绍了多注释半监督集成网络 (MSE-Nets),以改进使用有限的多注释数据进行医疗图像细分. MSE-Nets显著降低了注释成本,同时实现了接近完全监督方法的性能.
科学领域:
- 计算机视觉 计算机视觉
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 由于专家注释变化和高成本,医疗图像细分具有挑战性.
- 完全监督的方法需要大量的多注释数据,这往往是不可用的.
- 现有的半监督方法与模糊的界限和不精确的伪标签作斗争.
研究的目的:
- 为医疗图像细分开发一个高效的半监督学习框架.
- 为了应对医学成像中有限的多注释数据的挑战.
- 提高多注释和无注释医疗图像的利用率.
主要方法:
- 建议使用多注释的半监督集成网络 (MSE-Nets).
- 引入网络对联一致性增强 (NPCE) 以优化多注释数据的利用.
- 实施多网络伪监督 (MNPS) 来利用从未注释的数据中获得一致的伪标签.
- 通过预测平均值提高信心校准.
主要成果:
- 在ISIC数据集上,对多注释数据的需求减少了97.75%.
- 与最好的完全监督基线相比,杰卡德指数差距仅为3.7%.
- 与现有的半监督方法相比,在ISIC和RIGA数据集上表现出优异的性能.
结论:
- MSE-Nets有效地学习医疗图像细分,并显著减少注释要求.
- 拟议的NPCE和MNPS模块在半监督环境中提高了稳定性和准确性.
- 这种方法为具有模两可的边界的医疗图像细分任务提供了有希望的解决方案.
