用于在 fundus 图像上进行少量拍摄,弱监督的光盘和杯子细分的元学习器
Pandega Abyan Zumarsyah1, Igi Ardiyanto1, Hanung Adi Nugroho1
1Department of Electrical and Information Engineering, Faculty of Engineering, Universitas Gadjah Mada, Grafika St. No. 2, Yogyakarta, 55281, Indonesia.
Computers in biology and medicine
|December 18, 2025
概括
这项研究引入了Efficient Omni ProtoSeg (EO-ProtoSeg) 用于青光眼诊断,在光盘和光杯细分方面实现了高精度,使用最小的稀疏标签. 这种短暂的弱监督细分方法为低数据场景提供了轻量级和有效的解决方案.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 准确的光盘 (OD) 和光杯 (OC) 分段对于青光眼的诊断至关重要.
- 有限的标记数据对开发强大的细分模型构成重大挑战.
研究的目的:
- 开发先进的超级学习器,用于少量拍摄的弱监督细分 (FWS),以解决OD/OC细分中的数据稀缺问题.
- 通过提高数据利用和计算效率来改进现有的元学习框架.
主要方法:
- 引入了Omni元培训,以提高数据利用率,并在元学习中实现了射击多样化.
- 开发了高效的meta-learner版本,以降低计算成本而不会影响性能.
- 实施散散化技术来模拟各种类型的稀疏标签 (划字,点,区域).
主要成果:
- 拟议的高效的Omni ProtoSeg (EO-ProtoSeg) 在DRISHTI-GS,REFUGE和RIM-ONE r3数据集上显著优于现有的元学习器.
- EO-ProtoSeg在工会 (IoU) 评分 (88.15%的OD,71.17%的OC在REFUGE) 上实现了高交叉,只有一个标签稀疏的图像.
- 实现了与无监督领域适应方法相比较的性能,参数显著减少,不需要再培训.
结论:
- 短拍弱监督细分 (FWS) 是一个有希望的,轻量级,有效的方法,用于医疗图像细分在低数据的制度.
- EO-ProtoSeg展示了先进的超级学习策略的潜力,以提供高效和准确的青光眼诊断支持.
