协调泛化和专业化:半监督医疗图像细分的不确定性告知协作学习

科学领域:

• 计算机视觉 计算机视觉
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 视觉基础模型为医疗图像细分提供了强大的概括性.
• 这些模型因有限的注释和罕见的病理而难以处理专门的任务,这些病理源于一般先验和特定需求之间的不匹配.

研究的目的:

• 引入基于不确定性的协作学习 (UnCoL),这是一个双教师框架,用于半监督的医疗图像细分.
• UnCoL的目标是协调泛化和专业化,以提高临床任务的性能.

主要方法:

• UnCoL采用双教师框架,从结基础模型中提取一般知识,并从适应教师中提取特定任务的知识.
• 伪标签学习是通过预测不确定性来适应调节的,以稳定模两可的区域中的学习,并抑制不可靠的监督.

主要成果:

• 在各种2D和3D医疗图像细分基准中,UnCoL的表现始终优于现有的半监督方法.
• 该模型实现了近乎完全监督的性能,显示了显著减少的注释要求.

结论:

• 基于不确定性的协作学习有效地弥合了在医学图像细分方面的一般预培训和专业临床要求之间的差距.
• UnCoL提供了一个有前途的解决方案,用于高效和准确的医疗图像细分,使用有限的标记数据.