半监督学习
文章平均质量分 80
。。
小杨小杨1
这个作者很懒,什么都没留下…
展开
-
Minimal-Supervised Medical Image Segmentation via Vector Quantization Memory
辅助重构分支:该分支通过提供额外的监督并产生学习视觉表示所需的梯度,从而补充了分割任务。伪标签生成分支:该分支利用向量量化(VQ)库存储纹理导向和全局特征。然后利用这些特征生成高质量的伪标签,这对于训练分割模型至关重要。伪标签混合:为了增强模型训练,将分割预测与从VQ库获得的伪标签进行混合。这种混合过程确保模型从两个信息源中受益,从而提高性能。原创 2024-05-11 11:17:13 · 206 阅读 · 0 评论 -
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
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。原创 2024-05-09 11:54:44 · 381 阅读 · 0 评论 -
Co-assistant Networks for Label Correction论文速读
问题描述描述医学图像数据集中存在损坏标签的问题。强调损坏标签对深度神经网络性能的影响。提出方法引入Co-assistant Networks for Label Correction (CNLC)框架。描述框架的两个模块:噪声检测器和噪声清洗器。解释噪声检测器和噪声清洗器的功能。优化算法设计描述新的双层优化算法,用于优化提出的目标函数。实验设计描述实验中使用的三个流行医学图像数据集。说明实验的设置和评估标准。实验结果展示对比实验结果,证明CNLC框架相对于最先进方法的优越性能。原创 2024-05-01 15:53:45 · 930 阅读 · 0 评论 -
交叉调制少样本图像生成用于结直肠组织分类
提出问题针对罕见癌症组织的组织病理训练数据稀缺问题,他们提出了少样本结直肠组织图像生成方法。方法介绍提出的方法名为XM-GAN,接受一个基准图像和一对参考组织图像作为输入,生成高质量且多样化的图像。在XM-GAN中,采用了一种新颖的可控融合块,通过密集聚合参考图像和基准图像中局部区域的相似性,产生局部一致的特征。研究贡献他们是第一个研究结直肠组织图像中少样本生成的团队。通过广泛的定性、定量和专家(病理学家)评估,对其提出的方法进行评估。评估结果。原创 2024-04-30 09:36:56 · 1151 阅读 · 0 评论 -
一种用于医学图像分割的多源模型适应方法
传统方法假定源数据来自单个客户端,不能很好地利用多源域的互补知识,且需要在训练过程中访问源数据,这在隐私保护和内存存储方面效率低下。为解决这些挑战,研究了一种新颖的实际问题,即多源模型适应(MSMA),旨在将多个源模型转移到未标记的目标域而无需任何源数据。为了消除负迁移,提出了一种转移性引导模型适应(TGMA)框架,其中设计了一个无标签的转移性度量(LFTM)来评估源模型的转移性。基于设计的度量,计算了实例级转移性矩阵(ITM)和域级转移性矩阵(DTM),用于改善目标模型初始化。原创 2024-04-26 10:00:24 · 837 阅读 · 0 评论 -
Inflated 3D Convolution-Transformer,用于使用超声视频进行弱监督颈动脉狭窄分级
在临床实践中,在颈动脉超声 (US) 中定位血管最窄位置并进行相应的血管和残余血管描绘对于颈动脉狭窄分级 (CSG) 至关重要。然而,由于斑块和时间变化的模糊边界,既费时又艰难。要使此过程自动化,通常需要大量的手动划定,这不仅费力,而且考虑到注释的难度,也不可靠。本文提出了第一个自动CSG的视频分类框架。提出了一种针对弱监督CSG的新颖有效的视频分类网络。其次,对网络采用了膨胀策略,其中预训练的 2D 卷积权重可以适应我们网络中的 3D 对应物,以实现有效的热启动。原创 2024-04-24 09:16:36 · 394 阅读 · 0 评论 -
Partial Vessels Annotation-Based Coronary Artery Segmentation with Self-training and Prototype Learn
冠状动脉计算机断层扫描血管造影 (CCTA) 图像上的冠状动脉分割对于临床应用至关重要。由于需要专业知识和劳动密集型的注释过程,对相关标签高效学习算法的需求不断增长。本文提出了。原创 2024-04-20 19:03:39 · 247 阅读 · 0 评论 -
Efficient Subclass Segmentation in Medical Images论文速读
随着医学图像分析的研究兴趣越来越细化,大量注释的成本也在上升。降低成本的一种可行方法是使用粗粒度超类标签进行注释,同时使用有限的细粒度注释作为补充。通过这种方式,细粒度的数据学习得到了大量粗略注释的辅助。最近在分类任务中的研究采用了这种方法,以取得令人满意的结果。然而,在语义分割任务中,对细粒度子类的高效学习缺乏研究。本文提出了一种利用类别的层次结构来设计网络架构的新方法。同时,提出了一种任务驱动的数据生成方法,使网络更容易识别不同的子类类别。原创 2024-04-20 18:44:43 · 357 阅读 · 0 评论 -
Self-aware and Cross-Sample Prototypical Learning for Semi-supervised Medical Image Segmentation论文速读
一致性学习在半监督医学图像分割中起着至关重要的作用,因为它能够有效利用有限的注释数据,同时利用丰富的未注释数据。一致性学习的有效性和效率受到预测多样性和训练稳定性的挑战,而这些往往被现有研究所忽视。同时,用于训练的标记数据数量有限,往往不足以表述伪标签的类内紧凑性和类间差异。本文提出了一种自我意识和交叉样本原型学习方法(SCPNet),通过利用来自多个输入的更广泛的语义信息来增强一致性学习中预测的多样性。还引入了一种自我感知一致性学习方法,该方法利用未标记的数据来提高每个类中伪标签的紧凑性。原创 2024-04-18 11:17:28 · 335 阅读 · 0 评论 -
通过超分辨率像素引导的Scribble Walking和逐类对比正则化的弱监督医学图像分割(SC-Ne)论文速读
基于深度学习的分割通常需要大量数据和密集的手动描绘,这既耗时又昂贵。因此,弱监督学习试图利用稀疏的注释(如涂鸦)进行有效训练,引起了相当大的关注。然而,这种涂鸦监督本质上缺乏足够的结构信息,导致了两个关键挑战:(i)虽然在dice分数指标上取得了良好的性能,但现有方法难以执行令人满意的局部预测,因为在训练期间无法获得所需的结构先验;(ii)由于稀疏和极不完全的监督,类特征分布不可避免地不那么紧凑,导致泛化性差。原创 2024-04-17 10:27:32 · 912 阅读 · 0 评论 -
Source-Free Domain Adaptive Fundus Image Segmentation with Class-Balanced Mean Teacher论文速读
本文研究了无源域自适应眼底图像分割,旨在使用未标记图像将预训练的眼底分割模型调整到目标域。这是一项具有挑战性的任务,因为仅使用未标记的数据调整模型的风险很高。大多数现有方法主要通过设计技术来从模型的预测中仔细生成伪标签,并使用伪标签来训练模型。虽然这些方法经常获得积极的适应效果,但存在两个主要问题。首先,它们往往相当不稳定 - 突然出现不正确的伪标签可能会对模型造成灾难性的影响。其次,他们没有考虑眼底图像的严重类别不平衡,其中前景区域通常非常小。原创 2024-04-15 10:58:18 · 639 阅读 · 0 评论 -
Masked Frequency Consistency for Domain-Adaptive Semantic Segmentation of Laparoscopic Images论文速读
本文主要解决了 Domain Adaptive Semantic Segmentation (DASS) 任务,该任务旨在仅使用计算机生成的模拟图像和未标记的真实图像来训练分割网络。为了弥合生成图像和真实图像之间的巨大域差距,我们提出了一个掩码频率一致性(MFC)模块,该模块鼓励网络学习目标域的频率相关信息,作为鲁棒识别的额外线索。具体来说,MFC随机屏蔽了图像的一些高频信息,以提高网络对低频图像和真实图像的预测一致性。原创 2024-04-13 16:49:49 · 141 阅读 · 0 评论 -
Combating Medical Label Noise via Robust Semi-supervised Contrastive Learning论文速读
基于深度学习的 AI 诊断模型严重依赖高质量的详尽注释数据进行算法训练,但存在嘈杂的标签信息。为了增强模型的鲁棒性并防止噪声标签记忆,本文提出了一种称为SSCL的鲁棒半监督对比学习范式,该范式可以有效地融合半监督学习和对比学习来对抗医疗标签噪声。通过将混合增强图像作为输入,设计了具有动量更新机制的MFE模块,以挖掘抽象的分布式特征表示。同时,在SSL模块中引入了一种灵活的伪标签推广策略,可以基于初始分类预测,对带有伪标签的噪声数据的监督信息进行细化。原创 2024-04-12 10:46:48 · 361 阅读 · 0 评论 -
DCNet论文速读
通过充分利用未标记的数据,半监督学习(SSL)技术最近在医学图像分割方面取得了可喜的成果。伪标记和一致性正则化是使用未标记数据的两种有效策略。然而,传统的伪标记方法会过滤掉低置信度的像素。一致性正则化没有充分利用高置信度和低置信度数据的优点。因此,这两种方法都不能充分利用未标记的数据本文提出了一种新颖的解耦一致性半监督医学图像分割框架。首先,利用动态阈值将预测数据解耦为一致和不一致的部分。对于一致部分,我们采用交叉伪监督的方法进行优化。原创 2024-04-11 10:56:08 · 155 阅读 · 0 评论 -
Weakly Supervised Lesion Localization of Nascent Geographic Atrophy in Age-Related Macular Degenerat
新生性地理萎缩 (nGA) 的光学相干断层扫描 (OCT) 体征与 GA 发病高度相关。自动定位 nGA 病变有助于临床试验中的患者筛查和终点评估。此任务可以使用监督对象检测模型来实现,但它们需要费力的边界框注释。因此,本研究评估了弱监督方法是否可以基于深度学习 nGA 分类模型生成的显著性图定位 nGA 病变。这种多实例深度学习模型基于具有后期融合的 2D ResNet,并经过训练以对 OCT 上的 nGA 进行分类。原创 2024-04-11 10:38:17 · 185 阅读 · 0 评论 -
TI-ST论文速读
能够利用未标记数据的模型对于克服不同成像设备和配置中获取的数据集之间的巨大分布差距至关重要。在这方面,基于伪标记的自训练技术已被证明对半监督域适应非常有效。然而,伪标签的不可靠性会阻碍自训练技术从未标记的目标数据集中诱导出抽象表示的能力,尤其是在分布差距较大的情况下。由于神经网络的性能应该与图像转换无关,因此本文着眼于这一事实来识别不确定的伪标签。本文认为变换不变性检测可以提供更合理的标签近似值。因此,我们提出了一种用于域适应的半监督学习策略,称为转换不变自训练(TI-ST)。原创 2024-04-11 09:29:35 · 304 阅读 · 0 评论 -
基于一致性引导的元学习bootstraping半监督医学图像分割
医学成像取得了显著的进步,但通常需要大量高质量的注释数据,这些数据耗时且成本高昂。为了减轻这种负担,半监督学习作为一种潜在的解决方案引起了人们的关注。在本文中,我们提出了一种用于自引导医学图像分割(MLB-Seg)的元学习方法,这是一种解决半监督医学图像分割挑战的新方法。首先涉及在一小组干净标记的图像上训练分割模型,以生成未标记数据的初始标签。为了进一步优化这个自举过程,我们引入了一个逐像素权重映射系统,该系统可以动态地为初始化的标签和模型自己的预测分配权重。原创 2023-07-25 10:56:21 · 732 阅读 · 1 评论 -
ACTION++:改进半监督医学图像分割与自适应解剖对比度
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。原创 2023-07-24 10:18:13 · 328 阅读 · 0 评论 -
重新思考半监督医学图像分割:方差减少的视角
在医学图像分割中,对比学习是通过对比语义相似和不相似的样本对来提高视觉表征质量的主要方法。这是通过观察来实现的,在不访问地面真值标签的情况下,具有真正不同解剖特征的负例,如果采样,可以显着提高性能。然而,在现实中,这些样本可能来自相似的解剖区域,模型可能难以区分少数尾类样本,从而使尾类更容易被错误分类,这两种情况通常都会导致模型崩溃。本文提出了一种基于分层群理论的半监督对比学习框架ARCO,用于医学图像分割。原创 2023-07-23 16:33:40 · 306 阅读 · 0 评论 -
医学图像分割的三视图特征学习
深度学习模型,例如监督编码器-解码器风格的网络,在医学图像分割中表现出很好的性能,但标签成本很高。我们提出了一种半监督语义分割框架TriSegNet。中心思想是,数据不同的视图及其相关的学习参数同时在单独的模型中开发。这使每个模型都有机会补充其他模型对学习过程的贡献。此外,它们并非都处理相同的数据集:相反,它们精心制作数据的不相交部分,并从每个子集中学习它们所能学习的内容伪标签在中间步骤中重新生成,从两个单独的CNN组件的输出中选择,以训练第三个组件。三重框架通过选择那些单个组件模型具有高置信度并“投原创 2023-07-13 10:51:02 · 366 阅读 · 0 评论 -
双向复制粘贴半监督医学图像分割
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。原创 2023-07-06 10:53:28 · 779 阅读 · 0 评论 -
MedLSAM:定位和分割任何3D医学图像模型
SAM (Segment Anything Model)是近年来出现的一种具有开创性的图像分割模型。然而,原始的SAM和它的医疗适应性都需要逐片注释,这直接增加了注释工作负载和数据集的大小。我们提出MedLSAM来解决这个问题,确保无论数据集大小如何都有恒定的注释工作负载,从而简化了注释过程。本文要点引入了一个能够定位身体内任何目标解剖部位的几次定位框架。原创 2023-06-30 20:51:46 · 1714 阅读 · 0 评论 -
基于多模态变分对抗主动学习的下游医学图像分析任务
在医学领域,获取正确注释的数据是昂贵的,因为它需要专家、耗时的协议和严格的验证。主动学习试图通过主动采样最有信息的示例来最小化对大型注释样本的需求。这些例子极大地提高了监督机器学习模型的性能,因此,主动学习可以在基于深度学习的诊断、临床评估和治疗计划中选择最合适的信息方面发挥重要作用。尽管一些现有的工作已经提出了采样医学图像分析中注释的最佳示例的方法,但它们不是任务无关的,也没有在采样器中使用多模态辅助信息,这有可能增加鲁棒性本文方法。原创 2023-06-25 12:10:32 · 310 阅读 · 0 评论 -
多模态对比互学习和伪标签再学习半监督医学图像分割
多模态半监督模型提出一种新的对比损失函数最小化两种图像模态的差异伪标签再学习解决不同模态之间存在的预测效果差异将高性能模态的模型用作具有更高置信度的教师模型在推理阶段仅使用一种模态进行分割利用损失函数减少模态之间的异质性利用mean-teacher模型减少预测的输入模态利用伪标签再学习方法提升鲁棒性利用BMA参数更新提升模型准确性。原创 2023-06-18 17:37:54 · 800 阅读 · 0 评论 -
基于自适应高斯混合的稀疏注释语义分割
稀疏注释语义分割(SASS)旨在通过具有稀疏标签(即点或涂鸦)的图像来学习分割模型。现有的方法主要侧重于引入低水平的亲和性或生成伪标签来加强监督,而在很大程度上忽略了标记像素和未标记像素之间的内在关系。我们观察到,在特征空间中彼此靠近的像素更有可能共享同一类。本文方法提出了一种新的SASS框架,该框架配备了自适应高斯混合模型(AGMM)。AGMM可以根据标记和未标记像素的分布,有效地为未标记像素提供可靠的监督。原创 2023-06-14 13:51:42 · 1038 阅读 · 0 评论 -
通过点引导掩码表示的弱半监督实例分割
带有点标签的弱半监督实例分割(WSSIS),用于经济高效和高性能的实例分割。由几个完全标记的图像和许多点标记的图像组成的数据集为了处理完全标记的数据量极其有限的困难情况,提出了一种MaskRefineNet,它可以细化粗糙掩模中的噪声。代码地址没有建议会导致缺少mask如果给出正确的建议(斑马线),也可以生成mask噪声往往会导致mask噪声伪实例掩码的定性结果。(a) 和(b):由于假阴性和假阳性实例建议之间的权衡,伪掩码的质量在很大程度上受到建议的置信度分数的影响。原创 2023-06-06 10:22:29 · 629 阅读 · 1 评论 -
实例明确的和模型自适应监督的半监督语义分割
最近,半监督语义分割在少量标记数据的情况下取得了很好的性能。然而,大多数现有研究对所有未标记的数据一视同仁,几乎没有考虑未标记实例之间的差异和训练困难。区分未标记实例可以促进实例特定监督动态适应模型的演化。本文方法强调了实例差异的关键性,并提出了一种用于半监督语义分割的实例专用和模型自适应监督,称为iMAS根据模型的性能,iMAS采用类加权对称交集-联合来评估每个未标记实例的定量硬度,并以模型自适应的方式监督对未标记数据的训练。原创 2023-06-05 10:36:15 · 646 阅读 · 0 评论 -
Augmentation Matters:一种简单而有效的半监督语义分割方法(CVPR2023)
最近关于半监督语义分割(SSS)的研究进展迅速。尽管它们的性能很有希望,但目前最先进的方法往往以引入更多的网络组件和额外的训练程序为代价,进行越来越复杂的设计。本文方法遵循标准的教师-学生框架,并提出了AugSeg,这是一种简单而干净的方法,主要关注数据扰动,以提高SSS性能。应该调整各种数据增强,以更好地适应半监督的场景,而不是直接应用监督学习中的这些技术本文采用了一种简化的基于强度的增强方法,该方法从连续空间中选择随机数目的数据变换,并对失真强度进行均匀采样。原创 2023-06-04 13:02:58 · 1456 阅读 · 0 评论 -
贝叶斯伪标签:鲁棒高效半监督分割的期望最大化
提出了一种新的伪标记公式,作为一种期望最大化(EM)算法,用于清晰的统计解释。提出了一种纯粹基于原始伪标记的半监督医学图像分割方法,即SegPL在2D多类MRI脑瘤分割任务和3D二进制CT肺血管分割任务中,SegPL是一种与最先进的基于一致性正则化的半监督分割方法相竞争的方法。与现有方法相比,SegPL的简单性允许更低的计算成本证明了SegPL的有效性可能源于它对分布外噪声和对抗性攻击的鲁棒性。原创 2023-05-31 09:53:04 · 230 阅读 · 0 评论 -
基于变形模板的弱监督体图像分割
背景有许多方法可以对网络进行弱监督训练来分割2D图像。依赖于对3D图像的2D切片的子集的完全监督本文方法提出了一种真正弱监督的体积分割方法,因为我们只需要在目标对象的表面上提供一组稀疏的3D点,而不是详细的2D掩模使用3D点来变形3D模板,使其大致匹配目标对象轮廓,并引入了一种利用其提供的监督信号来训练网络以找到准确边界的架构。原创 2023-05-29 10:46:01 · 585 阅读 · 0 评论 -
ACT:非对称协同训练的半监督域自适应医学图像分割
作者建议以统一的方式利用标记的源域和目标域数据,以及未标记的目标数据提出了一种新的非对称协同训练(ACT)框架来集成这些子集,避免源域数据的支配。将SSDA中的标签监督解耦为两个非对称子任务,包括半监督学习(SSL)和UDA,并利用来自两个分割器的不同知识来考虑源标签监督和目标标签监督之间的区别。然后,通过基于置信度感知伪标签迭代地相互教学,将在两个模块中学习的知识自适应地与ACT集成。此外,伪标签噪声通过指数MixUp衰减方案得到了很好的控制,以实现平滑传播。原创 2023-05-17 10:45:11 · 445 阅读 · 0 评论 -
半监督医学图像分割的平滑性和类分离研究
半监督分割在医学成像中仍然具有挑战性,因为注释的医学数据量通常很少,并且在粘合边缘附近或低对比度区域中存在许多模糊像素。本文方法首先约束具有和不具有强扰动的像素的一致性,以应用足够的平滑性约束,并进一步鼓励类级分离,以利用低熵正则化进行模型训练通过同时探索像素级平滑度和类间分离,像素级的平滑度迫使模型在对抗性扰动下产生不变的结果。类间分离鼓励单个类特征接近其相应的高质量原型,以使每个类分布紧凑并分离不同的类代码地址。原创 2023-05-16 17:16:28 · 685 阅读 · 0 评论 -
上下文感知的体素对比学习用于标签高效的多器官分割
医学图像分割是许多临床应用的先决条件,包括疾病诊断、手术计划和计算机辅助干预。由于在获得专家级准确、注释密集的多器官数据集方面存在挑战,现有的多器官分割数据集要么样本数量较少,要么只对少数器官而不是所有器官进行注释,这些数据被称为部分标记数据。以前有人试图开发标签有效的分割方法,利用这些部分标记的数据集来提高多器官分割的性能。然而,这些方法中的大多数都受到限制,即它们只使用数据集中的标记信息,而没有利用大量未标记的数据。原创 2023-05-14 14:53:40 · 397 阅读 · 0 评论 -
用于半监督体积医学图像分割的动量对比体素表示学习
对比学习(CL)旨在学习医学图像分割中不依赖专家注释的有用表示。现有的方法主要通过简单地将所有输入特征映射到相同的恒定向量中,将单个正向量(即,同一图像的增强)与批次的整个剩余部分内的一组负向量进行对比。尽管这些方法具有令人印象深刻的经验性能,但仍存在以下缺点:(1)防止问题崩溃为琐碎的解决方案仍然是一个艰巨的挑战;(2)并非同一图像内的所有体素都是相同的正例的,因为在同一图像中存在不同的解剖结构。本文方法。原创 2023-05-14 12:50:16 · 698 阅读 · 0 评论 -
具有区域/边缘一致性的形状感知弱/半监督Disc and Cup状物分割
提出了一个弱/半监督框架,该框架具有逐像素分割概率图(PM)、几何感知的修改有符号距离函数表示(mSDF)和感兴趣局部边界区域特征(B-ROI)之间的几何关联和特定领域知识的优势。提出了一种基于双重一致性正则化的半监督范式,其中区域和边缘一致性从大量未标记数据的对象的固有区域和边界一致性中受益于所提出的模型。首次利用边界和区域之间的领域特定知识,即OD&OC的椭圆形状的周长和面积,其中提出了一个可微vCDR估计模块用于端到端训练。模型不需要任何离线后处理来生成vCDR。原创 2023-05-11 16:46:32 · 577 阅读 · 0 评论 -
基于Transformer的多实例学习在弱监督组织病理学图像分割中的应用
提出了一种新的用于组织病理学图像像素级分割的弱监督方法,该方法将Transformer引入MIL框架中,以捕获全局或长程相关性。Transformer中的多头自注意建立了实例之间的关系,解决了MIL中实例相互独立的缺点。此外,引入深度监督,以克服弱监督方法中注释的限制,更好地利用层次信息。在癌症数据集上的心脏状态结果表明,与其他弱监督方法相比,该方法具有优越性。原创 2023-05-02 21:41:02 · 787 阅读 · 2 评论 -
利用层级式一致性加强进行半监督病理图像分割
对应用于隐藏特征空间的扰动进行不变预测提出了一种基于平均教师的分层一致性强化(HCE)框架和一种具有可学习和自引导机制的新型分层一致性损失(HC损失)HCE将来自编码器的分层特征的扰动版本作为辅助解码器的输入,并鼓励辅助解码器和主解码器的预测是一致的HC损失有助于教师模型生成可靠的指导,并增强学生模型的所有解码器之间的一致性。原创 2023-04-28 16:10:28 · 809 阅读 · 1 评论 -
基于信度感知的半监督医学图像分类对比自集成
存在问题自集成框架已被证明是利用丰富的未标记数据进行半监督医学图像分类的强大范例。然而,大多数自集成方法中使用的未标记数据的权重是相等的,当从不同人群、设备和环境中获取的未标记数据存在差异时,这对模型的分类性能产生不利影响。为了解决这个问题,我们提出了一种新的可靠性感知的对比自集成框架,该框架可以选择性地利用可靠的未标记数据。本文方法具体而言,我们在平均教师范式中引入了一个权重函数,用于将未标记数据的概率预测映射到反映其可靠性的相应权重。原创 2023-04-26 10:39:07 · 257 阅读 · 2 评论 -
基于一致性的半监督学习用于诊断x线片分类
结合半监督和主动学习方法的优点进行多标签医学图像分类提出了一种新的基于一致性的半监督证据主动学习框架(CSEAL)利用基于证据理论和主观逻辑的预测不确定性,开发了一种端到端集成方法,将基于一致性的半监督学习与基于不确定性的主动学习相结合。增强四种领先的基于一致性的半监督学习方法:伪标签、虚拟对抗训练、Mean Teacher和NoTeacher。对多标签胸部x射线分类任务的广泛评估表明,CSEAL在两个领先的半监督主动学习基线上实现了实质性的性能改进。原创 2023-04-25 13:30:31 · 426 阅读 · 0 评论 -
基于广泛数据增强的新型白质束ONE-SHOT分割
探索了新WM束的One-Shot分割问题由于在One-Shot场景下,标注训练数据极其稀缺,基于现有的知识转移框架,我们建议进一步对单个标注进行大量的数据增强,生成合成的标注训练数据。设计了几种不同的策略,在单个带注释的扫描中屏蔽区域,以实现数据增强。为了避免从不同数据增强策略产生的合成训练数据中学习潜在冲突的信息,我们选择分别执行每种策略进行网络训练,并获得多个分割模型。然后,将这些模型给出的分割结果进行集成代码链接。原创 2023-04-17 13:00:35 · 153 阅读 · 0 评论