Jul, 2023

一致性引导的元学习用于引导半监督的医学图像分割

PDF
TL;DR本研究提出了一种用于半监督医学图像分割的元学习方法，通过先使用少量干净标记图像进行训练来生成未标记数据的初始标签，并引入基于损失梯度方向的像素权重映射系统来进一步优化引导过程。此外，还引入了一种一致性伪标签增强方案来提高模型自身预测的质量，并通过引入平均教师来减少噪声并稳定权重映射的生成过程。实验结果表明，所提出的方法在半监督任务下取得了最先进的结果。
semi-supervised learningmedical image segmentationmeta-learningbootstrappingweight mapping
发现论文，激发创造
  • 自适应对比学习在半监督医学图像分割中的应用 —— 基于元标签方法

    本文提出了一种利用元标签注释的对比学习方法，用于医学影像分割中模型表现的优化。模型在预训练和半监督训练中使用元标签注释，并采用自适应学习方法消除噪声标签，实验结果表明这种方法在几个数据集下表现优异。

    Jul, 2021

  • 医学图像半监督分割中的变换一致自组织模型

    本文提出一种半监督方法用于医学图像分割。该方法包括深度学习、正则化、自举等关键技术，并在多个医学图像数据集上进行了验证和表现优于其他方法。

    Feb, 2019

  • Few-Shot 弱监督医学图像分割的元学习器

    本文提出了一个基于元学习的弱监督分割方案，并在医学成像领域进行了实验和对不同范例的比较分析，研究结果表明度量学习元学习方法在小型领域变化的任务中具有更好的分割结果，而某些梯度和融合的元学习方法则对大型领域变化具有更好的推广性。

    May, 2023

  • 医学体积和序列分割的 Bootstrap 表征学习

    本研究提出了一种新颖的医学体积和序列分割的简单方法，利用自监督学习和原型校准模块，通过不对称网络针对医学数据的特定不规则性进行训练，以在医学卷和序列方面提供高效精确的分割。

    Jun, 2021

  • 混合原型一致性学习用于半监督医学图像分割

    通过混合原型一致性学习（MPCL）框架，我们提出了一种解决医学图像分割中标记数据稀缺性带来的原型表达不完整的问题的方法。在该框架中，平均教师生成标记和未标记数据的原型，而辅助网络通过 CutMix 处理混合数据产生额外的原型。通过原型融合，混合原型为标记和未标记的原型提供额外的语义信息。对左心房和 B 型主动脉夹层数据集的实验结果表明，MPCL 优于先前的最先进方法，证实了我们框架的有效性。

    Apr, 2024

  • 基于变换一致性学习的半监督医学图像分割

    本文介绍了一种基于半监督学习的医学图像分割方法，利用弹性变形实现了对有标签和无标签图像的变换一致性学习，通过在公共数据集上的测试，该方法达到了与同类方法相当的性能表现，并且使用了大为较少的有标签数据。

    Nov, 2019

  • EPL：证据原型学习用于半监督医学图像分割

    本研究提出了 Evidential Prototype Learning (EPL) 方法，利用扩展的概率框架有效融合来自不同来源的体素概率预测，并在广义证据框架下实现标记和未标记数据的样本融合利用，利用体素级双不确定性掩膜。该方法在 LA、胰腺 CT 和 TBAD 数据集上进行了实验，以三种不同标记比率实现了最先进的性能，充分证明了我们的策略的有效性。

    Apr, 2024

  • 半监督医学图像分割的伪标签引导数据融合和输出一致性

    基于卷积神经网络的监督学习算法已成为医学图像分割任务的基准，但其效果严重依赖于大量标记数据。受到半监督算法的启发，利用有标签和无标签的数据进行训练，我们提出了 PLGDF 框架，用于使用较少注释的医学图像进行分割。我们提出了一种新颖的伪标签利用方案，将有标签和无标签的数据有效地合并到数据集中。此外，我们在分割网络的解码器模块中强制保持不同尺度之间的一致性，并提出了适用于评估一致性的损失函数。此外，我们在预测结果上应用了锐化操作，进一步提高了分割的准确性。在三个公开数据集上进行了大量实验证明，PLGDF 框架能够通过融合无标签数据显著提高性能。与六种最先进的半监督学习方法相比，我们的框架具有优越的性能。本研究的代码可以在 https URL 获取。

    Nov, 2023

  • 一种极其简单的一致性正则化半监督医学图像分割方法

    本文提出了一种新颖的正则化策略，包括基于插值的混合策略，以此来解决医学图像分割任务中像素级注释不足的普遍问题。实验证明该方法比现有的半监督模型更具优越性，且不需要额外的计算。

    Feb, 2022

  • 发掘模型潜力：引导式元自监督学习

    我们提出了一种新颖的自举元自我监督学习（BMSSL）框架来模拟人类学习过程，实现从少量无监督数据中学习一般视觉表征的长期目标。

    Aug, 2023