Nov, 2023

半监督医学图像分割的备选多元教学

PDF
TL;DR提出了一种多样教学方法 AD-MT，以应对当前半监督医学图像分割模型中存在的确认偏差问题。AD-MT 包括一个学生模型和两个非可训练的教师模型，通过交替地进行动量更新来促使教学多样性。通过随机切换周期、数据增强和补充数据批次，RPA 模块调度交替的多样化更新过程，以鼓励从不同教学角度进行多样化推理。而 CCM 模块基于熵集成策略，鼓励模型从教师模型的一致和冲突预测中学习。实验证明 AD-MT 在各半监督设置下对 2D 和 3D 医学分割基准的有效性和优越性。
semi-supervised medical image segmentationconfirmation biasad-mtdiverse teaching approachteacher-student framework
发现论文，激发创造
  • 交叉头部互惠式半监督医学图像分割

    用 CMMT-Net 方法解决半监督医学图像分割中的标签预测准确性、噪声以及信息过度拟合等问题，并在公开数据集上显著优于现有方法。

    Oct, 2023

  • 深度安全半监督学习下的多样化师生对应策略

    半监督学习能够通过利用未标记的数据显著提高模型性能，然而，现实世界的未标记数据往往包含看不见类别的样本，这可能阻碍对已知类别的分类。为解决这个问题，我们引入了一个名为 Diverse Teacher-Students (DTS) 的新型框架，该框架利用双师生模型分别有效处理这两个任务，通过训练两个师生模型使用所有未标记样本，DTS 能够提高已知类别的分类性能，同时改善看不见类别的检测。

    May, 2024

  • 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

  • 基于竞争集成师生框架的半监督左心房 MRI 分割

    本文提出了一种简单而高效的竞争集成教师学生框架，用于从 3D MR 图像中半监督地分割左心房，通过利用无标记数据并提供可靠信息给教师模型，以实现不同学生模型之间的协作学习并达到更好的性能。通过在公开 Left Atrium（LA）数据集上评估，我们的方法在有效利用无标记数据方面取得了显著的性能提升，并优于几种现有的半监督方法。

    Oct, 2023

  • DMT：多个自监督教师进行的全面蒸馏

    通过利用多个自监督模型的优势，压缩预训练模型，并在分类任务和密集任务中显著提高性能。

    Dec, 2023

  • 自监督均值教师模型在半监督胸部 X 光分类中的应用

    该研究提出了基于自监督平均教师预训练和半监督微调的自我监督平均教师的半监督学习方法，应用于胸部 X 光片和皮肤病分类问题，取得较大的性能改善。

    Mar, 2021

  • 无源域自适应眼底图像分割与类平衡均值教师

    本研究主要研究基于无源域的玻璃体图像分割，旨在通过使用无标签图像将预训练的玻璃体分割模型适应到目标领域。研究提出了一种名为 Class-Balanced Mean Teacher (CBMT) 的模型，旨在解决伪标签不稳定和类别不平衡的问题，并通过实验证明 CBMT 在多个基准测试中优于现有方法。

    Jul, 2023

  • DMT: 半监督学习的动态相互训练

    本文介绍了一种互动训练（Dynamic Mutual Training，DMT）的方法，可以通过两种不同模型之间的互动来确定伪标签的错误，从而提高半监督学习的性能。在图像分类和语义分割任务中，DMT 均取得了最新的表现。

    Apr, 2020

  • 通过多教师对抗蒸馏缓解精度 - 鲁棒性平衡

    本文提出了一种多教师对抗鲁棒性蒸馏的方法 (MTARD)，以指导模型的对抗训练过程，并通过熵平衡算法和归一化损失平衡算法来解决准确性和鲁棒性之间的平衡问题。实验证明，MTARD 在公共数据集上优于现有的对抗训练和蒸馏方法。

    Jun, 2023

  • MR 图像分割的逼真对抗数据增强

    本文提出了一种对神经网络进行医疗图像分割的对抗性数据增强方法，生成真实信号失真来模拟由一种常见的造影剂称为偏差场引起的强度不均匀性，该方法可用于有监督和半监督学习中的一般分割网络的插件模块，并且在低数据情况下显著提高了模型的泛化能力和鲁棒性。

    Jun, 2020