Semi-supervised medical image segmentation via learning consistency under transformations.

本文介绍了Bortsova等人在2019年的研究,他们提出了一种利用半监督学习和变换一致性来改进医学图像分割的方法。通过双任务一致性,网络在监督和无监督条件下学习,显著提升了在JSRT胸部X-ray数据集上的分割准确度,尤其非标签数据对效果贡献较大。关键概念包括U-Net架构、Siamese网络、无监督一致性损失和监督学习的结合。
摘要由CSDN通过智能技术生成

Bortsova, Gerda, et al. “Semi-supervised medical image segmentation via learning consistency under transformations.” International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer, Cham, 2019.
基于半监督学习变换一致性的医学图像分割。
这篇论文又深奥起来了

类似的还有:
基于双任务一致性的半监督分割

作者提出了一种新的半监督方法,对标记了的训练图像进行监督学习,同时学习预测在给定变换类别下对标记和未标记图像一致的分割。

通过以下方式实现:

  1. 具有两个相同分支的连体架构,每个分支接收不同变换的图像
  2. 具有监督分割损失项和无监督项的复合损失函数,鼓励两个分支的预测之间的分割一致性

和监督学习相比,作者的半监督分割有更好的效果是基于,标签数据和非标签数据的学习变换一致性(非标签对效果影响更大)

介绍

医学成像领域,标记的数据通常都很稀缺,所以来自与标记数据相同或相似分布的未标记数据是大量而且可用的,即半监督。
半监督,自监督,有监督,无监督的区别
在这里插入图片描述
在这里插入图片描述
作者是在 JSRT胸部X-ray 数据集上评估的模型
输入数据是标记和未标记图像的混合批次。每个图像由两个随机映射 tin1 和 tin2 转换。标签被转换为 out1 和 out2。in1(x) 和 in2(x) 被馈送到 U-Net 网络的两个相同分支。其中一个分支的输出是通过可微层进行转换,以与第二个分支的输出在无监督一致性损失 C 中进行比较。该网络使用由 C 和监督损失S 进行端到端训练。

实现方法

先非常详细地用数学介绍了自己的网络……好像真的想要教会我.jpg

接着拆分了网络里的所有结构,有些名词真的不理解……
使用类似 U-Net 的架构 作为 Siamese 网络的基础。对于每个未标记训练集进行交叉验证拆分。

首先使用 LTsuploss(即以纯监督方式)训练网络。
我们使用这个网络微调了四个不同的基础网络:两个监督和两个半监督。
使用 LTsuporLTsup+λLTcons 对两个监督的网络进行了微调。
半监督网络使用 LTsup+λLTcons 进行微调。 其中一个半监督网络仅使用来自训练集 Xtrainu(我们称其为 SemiTC)的未标记图像,而另一个则额外使用来自相应验证和测试集的未标记图像( SemiTC+)。
Adadelta 优化器用于训练和微调。
图像和分割图被子采样到 512×512 的分辨率以进行训练。(后面看不懂)

结果

提出了一种新的半监督分割方法,可以在转换下获得学习一致性。且所提出的一致性正则化提高了分割性能。

词汇

learning consistency 学习一致性

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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