基于内在一致性学习的半监督医学图像精确分割

最新推荐文章于 2024-08-08 07:23:19 发布
最新推荐文章于 2024-08-08 07:23:19 发布
阅读量465 收藏 2
点赞数 2
分类专栏： # 半监督学习 文章标签： 学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_45745941/article/details/129836028
版权

Inherent Consistent Learning for Accurate Semi-supervised Medical Image Segmentation

摘要

  • 内在一致性学习(ICL)
  • 通过标记数据和未标记数据的语义一致性引导来学习鲁棒的语义类别表示
  • 引入了两个外部模块：监督语义代理适配器(SSPA)和无监督语义一致学习器(USCL)
  • 基于注意机制来对齐有标签数据和无标签数据的语义类别

方法

主要是中间那一部分，上面是有监督的代理，下面是无监督的代理
通过这两个代理来约束
推理的时候不用代理
在这里插入图片描述

  • 单编码器-解码器
  • 监督语义代理适配器(SSPA)和无监督语义一致学习器(USCL)的外部模块
  • 一个初始化的语义感知代理Q∈Z×4C组成，该代理旨在从有限的标记数据中转移经过良好学习的语义表示。Z和C表示类别的数量(包括背景)和最后一个尺度的标记化特征维度。C是由于比例因子导致的当前代理的维度。
  • 在训练中，xl和xu都被送到编码器-解码器主干，生成多尺度中间特征Fl, Fu使SSPA和USCL模块通过与初始化的语义感知代理交互来执行固有的一致学习方案。

SSPA:监督语义代理适配器

Q是可学习得向量
通过交叉注意力：可以得到两个分割结果图M和另一个Q
在这里插入图片描述

无监督语义一致性学习

在这里插入图片描述
G是无监督注意力图
p是无标签数据正向得到的预测

在这里插入图片描述
图中很容易看出

消融实验

在这里插入图片描述
做了关于SSPA的实验，主干网络为UNet/SwinUNET

小杨小杨1
关注
专栏目录
Contrmix:用于半监督医学图像分割的渐进式混合对比学习
weixin_51657614的博客
06-19 1100
由于获取医学图像密集像素级注释相关的挑战，半监督学习(SSL)技术作为一种新的技术已经引起了广泛的关注。用有限数量的注释数据训练模型的有效方法[1,2]。基于流形假设和平滑假设[3]，一致性正则化在SSL框架中得到了广泛的应用。其中一个突出的框架是Mean Teacher[4]，它已经证明了它在各种视觉任务中的有效性。基于混合的数据处理策略近年来引起了大量的研究[5,6]。一些研究已经在SSL中引入了适当的基于混合的数据增强技术，以进一步提高性能[7]。
经典半监督医学图形分割论文分享~ BCP CPS
最新发布
weixin_63670364的博客
09-07 981
半监督医学图像分割是一种在医学图像处理领域中使用的方法，它结合了少量标注数据和大量未标注数据进行图像分割。传统的监督学习方法依赖大量的标注数据来训练模型，而在医学图像处理中，获取标注数据通常非常耗时且昂贵，因此半监督学习在这个领域变得尤为重要。在半监督医学图像分割中，模型通常使用少量标注的医学图像进行初步训练，然后利用大量未标注的医学图像通过自监督、生成对抗网络（GAN）、一致性正则化或伪标签等技术进一步优化模型。这种方法既能提高分割的准确性，又能有效利用未标注数据，从而减少对大量标注数据的依赖。
Mamba-UNet Zoo：医学图像分割的革命性开源项目
gitblog_00005的博客
08-08 539
Mamba-UNet Zoo：医学图像分割的革命性开源项目 Mamba-UNet项目地址:https://gitcode.com/gh_mirrors/ma/Mamba-UNet 项目介绍 Mamba-UNet Zoo 是一个专注于医学图像分割的开源项目，由一系列基于UNet架构的先进模型组成。这些模型包括 Mamba-UNet、Semi-Mamba-UNet、Weak-Mamba-UNet 和...
Mutual consistency learning for semi-supervised medical image segmentation 论文阅读笔记
Bug_Oreo的博客
03-20 2049
用有限数据训练出的model在医学图像模糊区域的书橱往往具有高度不确定以及容易分割错误。因此提出了本文的模型MC-NET+。论文代码提出了MC-NET+的网络来利用未标注的数据进行半监督的医学图像分割。这个网络模型包含两个主要创新点: 1. 模型包含一个共享的encoder以及多个在上采样阶段略有不同的decoder。多decoder输出的计算用于表示模型的不确定性， 也就相当于代指了未标注的hard区域。
基于互一致性学习的半监督医学图像分割
weixin_42489272的博客
12-07 1122
对所有的数据（有标签和无标签一起），计算三个解码器交叉的MSELoss，MSE(Yd1, Yd2锐化)，MSE(Yd1, Yd3锐化)，MSE(Yd2，Yd1锐化)，MSE(Yd2, Yd3锐化)，MSE(Yd3, Yd1锐化)，MSE(Yd3, Yd2锐化)MSE(Yd1, Yd2锐化)，MSE(Yd1, Yd3锐化)，MSE(Yd2，Yd1锐化)，MSE(Yd2, Yd3锐化)，MSE(Yd3, Yd1锐化)，MSE(Yd3, Yd2锐化)MC损失，就是用锐化前的和锐化后的一致性损失，来自不同解码器。
基于双任务一致性的半监督医学图像分割
qq_58529413的博客
06-04 610
论文总结
双向复制粘贴半监督医学图像分割
qq_45745941的博客
07-06 930
在半监督医学图像分割中，存在标记数据与未标记数据分布不匹配的问题。如果单独或以不一致的方式处理标记和未标记数据，则从标记数据中获得的知识可能在很大程度上被丢弃。我们提出了一种直接的方法来缓解这个问题-在一个简单的Mean Teacher架构中双向复制粘贴标记和未标记的数据。本文方法鼓励未标记的数据在内向和外向两个方向上从标记的数据中学习全面的公共语义标记和未标记数据的一致学习过程可以大大减少经验分布差距。
基于学习变换的单次医学图像分割
1基于学习变换的单次医学图像分割赵美xamyzhao@mit.eduGuhaBalakrishnan MITbalakg@mit.eduFre'doDurandMITfredo@mit.edu约翰五世Guttag MITguttag@mit.edu阿德里安五世Dalca MIT，MGHadalca@mit.edu摘要图像分割是...
"半监督语义分割：GuidedMix-Net利用标记信息指导未标记数据学习
+v：mala2255获取更多论文GuidedMix-Net：基于标记图像的半监督语义分割涂鹏*1、2、黄亚文*3、郑峰<$1、何振宇4、曹柳娟5、邵凌61南方科技大学，深圳2深圳市微比特电子科技有限公司有限公司，中国3腾讯贾维斯实验室...
医学图像分割的不完美数据集处理综述
0拥抱不完美数据集：医学图像分割的深度学习解决方案综述0Nima Tajbakhsh，Laura Jeyaseelan，Qian Li，Jeffrey Chiang，Zhihao Wu和Xiaowei Ding0VoxelCloud公司0摘要0医学影像文献在基于卷积神经网络的高...
基于端到端保形域转移的半监督单目人脸重建方法
9398基于端到端保形域转移的景潭朴陈钱洪生李香港中文大学-商汤科技联合实验室商汤科技研究1155116308@link.cuhk.edu.hkqianchen@sensetime.comhsli@ee.cuhk.edu.hk摘要单目人脸重建是计算机视觉中的一个具有挑战性...
论文阅读记录 | Decoupled Consistency for Semi-supervised Medical Image Segmentation
m0_61574757的博客
07-13 669
论文阅读记录 | Decoupled Consistency for Semi-supervised Medical Image Segmentation
ACTION++:改进半监督医学图像分割与自适应解剖对比度
qq_45745941的博客
07-24 462
医学数据往往表现为长尾分布，类不平衡严重，这自然导致对少数类(即边界区域或稀有对象)的分类困难。最近的工作通过配备无监督对比标准，显着改善了长尾场景下的半监督医学图像分割。然而，在类别分布高度不平衡的标记部分数据中，它们的表现如何仍不清楚。在这项工作中，我们提出了action++，一个改进的对比学习框架，具有自适应解剖对比，用于半监督医学分割。
Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation
weixin_45648030的博客
06-03 1133
Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation
DHC：用于类别不平衡的半监督医学图像分割的双重去偏异构协同框架
qq_45745941的博客
05-09 474
该研究针对三维医学图像的体积级标注需求专业性高、耗时长的问题，因此半监督学习（SSL）在利用有限标注数据进行训练方面尤为重要。然而，类别不平衡的严重问题成为限制这些方法在实际应用中的瓶颈，但却鲜有解决方案。为解决这一问题，提出了一种新颖的双重去偏异构协同（DHC）框架，用于半监督三维医学图像分割。提出了两种损失加权策略，即分布感知去偏加权（DistDW）和困难感知去偏加权（DiffDW），这两种策略动态地利用伪标签引导模型解决数据和学习偏差。该框架通过同时训练这两个不同且准确的子模型显著改善了性能。
【半监督医学图像分割 2022 MICCAI】SCS 论文翻译
wujing1_1的博客
02-14 1813
摘要深度学习方法在医学图像分割任务中的成功与否，很大程度上依赖于大量标注数据的监督训练。另一方面，生物医学图像的注释需要领域知识，可能是费力的。近年来，对比学习在学习图像的潜在表征方面表现出了巨大的潜力。现有的工作已经探索了它在生物医学图像分割中的应用，其中只有一小部分数据被标记，通过基于自我监督对比学习的训练前阶段，不使用任何标签，然后只对标记的部分数据进行监督微调阶段。在本文中，我们建立了通过在训练前阶段包含有限的标签信息，可以提高对比学习的性能。我们提出了一种有监督的局部对比损失。
【半监督医学图像分割 2023】RCPS
wujing1_1的博客
03-30 2249
摘要医学图像分割方法通常被设计为全监督的，以保证模型的性能，这需要大量的专家注释样本，成本高，费力。半监督图像分割可以利用大量未标记图像和有限的标记图像来缓解这一问题。然而，由于伪标签中潜在的噪声和特征空间中的类可分性不足，从大量未标记图像中学习鲁棒的表示仍然是一个挑战，这削弱了现有半监督分割方法的性能。针对上述问题，我们提出了一种新的半监督分割方法–校正对比伪监督(RCPS)，该方法将校正伪监督和体素级对比学习相结合，以提高半监督分割的有效性。特别地，我们设计了一种新的基于不确定度估计和。
《Semi-supervised Medical Image Segmentation Using Cross-Model Pseudo-Supervision with Shape Awarene》
weixin_37591159的博客
09-29 2029
111
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小杨小杨1

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值