关键词semi-supervised medical image segmentation
搜索结果 - 9
- 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。
- CVPR自适应双向位移用于半监督医学图像分割
提出了一种自适应的双向位移方法 (ABD) 来解决半监督医学图像分割中不可标记数据一致性学习的挑战，包括可靠预测置信度的双向补丁位移生成新样本以有效抑制不可控区域和保留输入扰动的影响，以及通过逆置信度生成具有更不可靠信息的样本以促进模型学习 - 串联、微调、再训练：一种用于半监督三维医学图像分割的 SAM 支持框架
通过使用 Segment Anything Model（SAM）进行重新调整，我们提出了一个三阶段的框架（CFR）用于建立半监督的医学图像分割模型，并且在改善标注成本和保持性能方面取得了显著的改进。
- 半监督医学图像分割的备选多元教学
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 - 半监督医学图像分割的对角线分层一致性学习
通过使用对角层次一致性（DiHC-Net）的鲁棒半监督医学图像分割新框架，实现了几乎达到人类水平的临床应用中的医学图像分割结果，且在公开的左心房（LA）数据集上表现优于以往的方法。
- 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。
- 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。
- EVIL: 有据推理学习用于可信任的半监督医学图像分割
通过将证据理论引入半监督医学图像分割，以在单次前向传递中推理准确的不确定性量化为目的，提出了命名为 EVIL 的确定性推理学习方法。该方法使用一致性正则化训练范式，通过对扰动预测的一致性进行约束来增强少量标记数据的泛化能力。实验结果表明，E - 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