对于半监督医疗图像细分的多扰一致性学习

科学领域:

• 医学图像分析 医学图像分析
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 当前的半监督学习 (SSL) 方法通常依赖于一致性学习.
• 现有的SSL方法通常在单个干扰下验证一致性学习,在多个干扰下可能会失败,降低性能.

研究的目的:

• 提出一个强大的半监督医疗图像细分方法,利用多扰动一致性学习.
• 为了解决与SSL多次干扰相关的不稳定性和性能恶化.

主要方法:

• 开发了一个交叉教学框架,用于3D和2D网络的网络干扰.
• 嵌入强弱数据增强用于输入干扰.
• 引入了对标记和未标记数据的不确定性意识校正算法,以提高稳定性.

主要成果:

• 拟议的方法在四个医学成像数据集 (前列腺X,HPH55,ACDC,LA) 中显示出卓越的性能.
• 实现了强大的概括能力,优于现有方法.
• 在有限的注释数据下有效保持性能.

结论:

• 多扰动一致性学习方法提高了医疗图像细分的稳定性和稳定性.
• 这种方法提供了一个有效的解决方案,用于医疗图像细分,注释有限.
• 开发的算法显示了临床应用的巨大潜力.