三CSART:半监督医疗图像细分与三级对比学习和选择性主动再培训

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:

• 半监督医疗图像细分面临着有限数据和高注释成本的挑战.
• 现有的方法缺乏分层的对比学习和强大的伪标签质量评估.
• 由于常规伪标签中的错误,注释偏见可能会传播.

研究的目的:

• 引入一种新的半监督医疗图像细分框架,解决当前方法的局限性.
• 通过先进的学习策略来增强功能表示和减轻注释偏差.
• 在医疗图像细分方面实现最先进的性能.

主要方法:

• 提出了一种教师-学生架构,包括三级对比 (TLC) 学习和选择性主动再培训 (SART).
• TLC模块使用三个互补的丢失函数来实现多层次的语义一致性,从而改善了类间和类内表示.
• SART模块采用了一种以度量驱动的机制,用于突出样本选择和以课程为指导的再培训.

主要成果:

• 在五个不同的基准,包括公共和私人数据集,取得了最先进的表现.
• 持续优于现有的半监督医疗图像细分策略.
• 废弃性研究验证了单个成分 (TLC和SART) 的有效性.

结论:

• 拟议的TLC和SART战略显著推进了半监督的医疗图像细分.
• 该方法有效地解决了数据稀缺性和注释成本的挑战.
• 在多个数据集中展示了卓越的性能和稳定性.