CHAP:用于半监督医疗图像细分的频道空间层次对抗性扰动
Si-Ping Zhou1, Zhi-Fang Gong1, Kai-Ni Wang1
1School of Biological Science and Medical Engineering, Southeast University, Nanjing, China.
Medical image analysis
|December 27, 2025
概括
这项研究引入了一种新的通道空间对抗性扰动方法,以改善半监督医疗图像细分. 它减少了确认偏差,并提高了学习效率,以获得更好的细分精度.
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:
- 半监督医疗图像细分 (SSMIS) 通常使用一致性规范化.
- 现有的方法由于均的扰动和低效的知识转移而遭受确认偏差.
- 这限制了医疗图像分析中的模型性能和概括性.
研究的目的:
- 为SSMIS提出一个新的道空间层次对抗性扰动方案.
- 解决确认偏差和改善知识传播,从标记到未标记的数据.
- 提高医疗图像细分模型的准确性和概括性.
主要方法:
- 开发了一种不一致意识的空间对抗性扰动策略,以精确决策边界.
- 引入了梯度引导通道扰动机制,以提高硬样本的学习效率.
- 采用道空间双目标扰动来实现多样化的一致性规范化.
主要成果:
- 拟议的方法在三个基准指标上显著优于最先进的半监督方法.
- 在医疗图像细分任务中,在各种标记数据比率中表现出卓越的性能.
- 有效地减少确认偏差并增强歧视性特征学习.
结论:
- 新的通道空间对抗性扰动方案对SSMIS非常有效.
- 该方法提高了学习效率和细分精度,特别是在具有挑战性的案例中.
- 这种方法为推进半监督医疗图像细分提供了一个有希望的方向.
