常见模式 预驱动 半监督 医疗图像分割

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 医疗成像医学成像

背景情况:

• 由于注释稀缺,半监督学习 (SSL) 对医疗图像细分至关重要.
• 现有的SSL方法面临特征探索和伪标签噪声的挑战,影响培训稳定性.
• 高质量和稳定的模型学习对于可靠的医学图像细分至关重要.

研究的目的:

• 提出一个新的共同模式前驱动网络 (CPP-Net) 进行强大的半监督医疗图像细分.
• 通过使用动态更新的模式银行提取核心语义信息来提高特征学习质量.
• 通过自适应调节伪标签信心来提高训练稳定性.

主要方法:

• 实施了一个模式学习机制,使用动态更新的共同模式银行 (CP-Bank) 来进行类特定模式提取和重复使用.
• 引入了信息获取驱动的更新策略,以确保CP-Bank与历史模式分布保持一致.
• 开发了一个动态调节功能,以根据可信度级别自适应地控制伪标签的影响.

主要成果:

• 在各种2D和3D数据集中,CPP-Net在半监督的医疗图像细分方面表现出卓越的性能.
• 模式学习机制提高了功能稳定性和可区分性,减少了冗余的学习.
• 动态调节功能有效地减轻了低可信度伪标签的负面影响,提高了训练稳定性.
• 与最先进的方法相比,实现了7.5%的平均子改进.

结论:

• CPP-Net为半监督医疗图像细分提供了高质量和稳定的方法.
• 提出的模式学习和动态调节策略有效地解决了现有的SSL方法的局限性.
• 通过提高细分精度和通用性,CPP-Net显示了推动医疗图像分析的巨大潜力.