53、半监督类别不平衡深度学习在MRI分割及猕猴脑图像中的应用

半监督类别不平衡深度学习在MRI分割及猕猴脑图像中的应用

在医学影像处理领域，尤其是MRI图像分割方面，面临着像素级注释稀缺以及数据类别不平衡的问题，这严重影响了深度学习模型的性能。同时，在猕猴脑磁共振成像（MRI）研究中，自动分割脑组织对于理解大脑发育和进化过程中的结构和功能至关重要，但现有方法在模态生成和图像分割任务的处理上存在不足。下面将详细介绍相关的研究方法和实验结果。

半监督类别不平衡深度学习用于MRI分割

网络训练与原型更新

• 损失函数定义
  • 有标签数据监督损失 ：框架利用有标签数据 (D_L) 和无标签数据 (D_U) 进行训练。对于有标签数据，监督损失 (L_l) 定义为：
    [L_l = \frac{1}{L} \sum_{i=1}^{L} \left[ l(\tilde{Y} {2D}^i, Y {2D}^i) + l(p_{proto}(Y’^i | X^i), Y^i) + l(p_{linear}(Y’^i | X^i), Y^i) \right]]
    其中，(\tilde{Y} {2D}) 是H - UNet中2D UNet生成的预测结果，(Y {2D}) 是通过变换 (T) 对3D真实标签 (Y) 进行转换得到的结果，(l) 是交叉熵损失和骰子损失的加权和。
  • 无标签数据无监督损失 ：对于无标签数据，学生模型使用提出的CRS细化后的伪标签 (\hat{Y}) 进行训练，无监督损失 (L_u) 定义为：