Aug, 2023

半监督医学图像分割中基于伪标签引导数据增强的双解码器一致性

PDF
TL;DR基于平均教师模型的双解码器一致性伪标签引导数据增强方法（DCPA），结合一致性正则化、伪标签和数据增强，以增强半监督分割的效果。通过学生模型和教师模型，共享编码器和两个不同的解码器，增加学生模型训练时的一致表示生成，通过混合数据实现数据增强，并利用教师模型生成伪标签进行无监督损失计算。与六种半监督方法在三个公开医学数据集上进行对比，实验证明我们的方法在三种半监督设置下一致优于现有的半监督医学图像分割方法。
发现论文，激发创造
  • 基于交叉伪标签的半监督医学图像分割方法：加强和弱数据增强策略

    通过数据增强和伪标签生成、筛选和改进过程的适当强调，本研究基于半监督模型 DFCPS 提出了新颖的交叉伪监督概念，将一致性学习与自训练相结合，充分利用了伪标签的多个角度，从而提高了训练多样性和模型性能。

    Feb, 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

  • 利用固定和动态伪标签进行半监督医学图像分割

    利用多个伪标签进行半监督医学图像分割，可以提高模型性能和泛化能力。验证结果显示，这种新方法在几个医学图像数据集上的表现明显优于现有方法。

    May, 2024

  • 增强半监督领域通用医学图像分割的伪标签质量

    本文章提出了一种新颖的基于置信度的跨伪监督学习算法，用于在医学图像分割任务中增强未标记数据的伪标签质量并进行域自适应。该方法可在不使用域标签的情况下，提高 Dice-score 性能，超过使用域标签的先前研究成果。

    Jan, 2022

  • 半监督医学图像分割与协同分布对齐

    本文提出了一种基于 Co-Distribution Alignment (Co-DA) 的半监督医学图像分割方法，通过对无标签数据和有标签数据的边际预测进行类别对齐，并设计了过度期望交叉熵损失来减少伪标签中的噪声，实验结果表明该方法在多个公共数据集上优于现有半监督医学图像分割方法。

    Jul, 2023

  • 用交叉监督的双分类器进行半监督医学图像分割

    本文提出一种基于双分类器（DC-Net）的交叉监督学习框架，包括证明分类器和香草分类器，各具特色，能够有效处理分歧，并为无标签数据生成更稳健和准确的伪标签，同时将证明分类器的不确定估计结合到交叉监督训练中以减轻错误监督信号的负面影响，试验证明该方法优于其他半监督分割的最新研究成果。

    May, 2023

  • 基于双任务一致性的半监督医学图像分割

    本文提出了一种双任务一致性半监督框架，以显式构建任务级别正则化而非隐式构建网络和 / 或数据层扰动 - 变换以实现医学图像分割的半监督学习，并通过两个公共数据集上的实验证明了其性能优于现有的半监督医学图像分割方法。

    Sep, 2020

  • 半监督领域适应医学图像分割通过一致性规则的解耦对比学习

    本研究探讨了医学图像分割中相对较少研究的半监督域适应方法，通过使用自我学习的预训练编码器以及像素级特征一致性约束，提出了一种两阶段训练过程，并实验证明该方法在两个域适应图像分割任务中优于其他方法。

    Jul, 2023

  • 重新思考半监督医学图像分割的数据扰动和模型稳定化

    提出一种用于半监督医疗图像分割的简单而有效的方法 DPMS，重点在于通过数据扰动和模型稳定化生成适当的预测不一致，从而显著提升了 SSMIS 的性能。

    Aug, 2023

  • 改善半监督实例分割的 (伪) 标签

    通过引入一种双重策略来增强教师模型的训练过程，从而显著改善少样本学习，同时提出一种校准校正机制，使学生模型能够纠正教师的校准错误。实验结果在 LVIS 数据集上表现出显著的提升，平均精度（AP）提高了 2.8％，稀有类别的 AP 提高了 10.3％。

    Mar, 2024