LESS-Net:一种轻量级的网络,用于以相似性为基础的对比学习的表观图像分割
Mengzhen Lai1, Junyang Chen2, Yutong Huang1
1College of Information Engineering, Sichuan Agricultural University, Ya'an, China.
Frontiers in physiology
|November 14, 2025
概括
新的深度学习模型 LESS-Net 使用有限的标记数据准确地对内镜图像中的鼻血进行细分. 这种数据效率高的框架显示了改善人工智能诊断在医疗保健环境中更少资源的前景.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 从内镜图像中对表 (鼻血) 的自动细分对于诊断至关重要.
- 标注数据的稀缺性和病变划分的困难阻碍了当前的方法,特别是在资源有限的环境中.
研究的目的:
- 开发一个数据效率高的深度学习解决方案,用于表达式细分.
- 解决数据稀缺的局限性,提高医学成像诊断的准确性.
主要方法:
- 开发了LESS-Net,一个轻量级的,半监督的细分框架.
- 利用一致性规范化和对比学习来利用未标记的数据.
- 整合了一个MobileViT骨干和多尺度功能融合模块.
主要成果:
- 在公共鼻血数据集上,LESS-Net的表现优于七个最先进的模型.
- 只有50%的标记数据实现了82.51%的mIoU和75.62%的子系数,超过了完全监督的模型.
- 在极低的标签比率 (25%和5%) 和73.8%的模型参数降低下,证明了稳定性.
结论:
- LESS-Net为医疗图像细分提供了一种强大且数据效率高的方法.
- 在有限的监督下,它的性能可以增强人工智能驱动的诊断和患者护理.
- 该框架对现实世界的临床工作流程具有重大潜力,特别是在服务不足的地区.


