【论文阅读】Mutual consistency learning for semi-supervised medical image segmentation(MedIA 2022)

本文提出一种基于相互一致性学习的半监督医学图像分割方法,旨在提高模型在标注数据有限情况下的分割准确性。该方法通过使用共享编码器和多个不同解码器来识别具有挑战性的区域,并采用相互一致性约束确保这些区域的预测结果一致性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

【论文阅读】Mutual consistency learning for semi-supervised medical image segmentation(MedIA 2022)

基于相互一致性学习的半监督医学图像分割

(一)为什么要做这个研究

现在的半监督学习分为两类:基于一致性和熵最小化。本文同时运用了这两个方法。
现在的模型没有对缺点进行充分处理。对只有少量标注的深度学习模型进行观察,发现这些模型趋势是:在ambiguous的区域,容易产生高不确定性和错误的输出。解决这个问题能够使得半监督训练更有效。
作者做了观察实验,发现(1)高不确定性的地方出现在有挑战性的区域,如交界处,整体一般能分割的很好,数据越多,重点改进的地方只有高不确定区域。(2)数据越多,不确定高的区域越少。

(二)本文解决什么问题

更多的关注无标签数据的challenging regions,预测uncertainty,利用不确定性,解决ambiguous,减少不确定性。
蒙特卡洛需要多次前向传播,而本方法不需要。

(三)怎么做?

MCNet(1)一个共享encoder和多个轻微不同的decoder(不同的上采样策略),不同的decoder决定模型的不确定性,确定hard regions。

  1. transposed conv 2) linear interpolation 3) nearest interpolation
    (2)mutual consistency constraint相互一致性约束
    在一个decoder的概率输出和其他decoder的soft伪标签。让模型产在这些有挑战的区域产生一致的结果。
    soft pseudo labels通过sharpening function转化。从伪标签中学习的能够产生熵低的结果,
    p∗(ypred∗∣x;θ)=p(ypred∣x;θ)(1/T)p(ypred∣x;θ)(1/T)+(1−p(ypred∣x;θ))(1/T)p^*(y^*_{pred}|x;\theta)=\frac{p(y_{pred}|x;\theta)^{(1/T)}}{p(y_{pred}|x;\theta)^{(1/T)}+(1-p(y_{pred}|x;\theta))^{(1/T)}}p(ypredx;θ)=p(ypredx;θ)(1/T)+(1p(ypredx;θ))(1/T)p(ypredx;θ)(1/T)T为超参数,控制sharpening程度,但是同样也会带来噪声和干扰。
    Loss=λ×∑i=1nLseg(p(ypred∣xl;θsubi),yl)+β×LmcLoss=\lambda\times\sum^{n}_{i=1}L_{seg}(p(y_{pred}|x_l;\theta^i_{sub}),y_l)+\beta\times L_{mc}Loss=λ×i=1nLseg(p(ypredxlθsubi),yl)+β×Lmc有监督部分是dice无监督是MSE,无监督运用在有标签数据和无标签数据上。

(四)其他

1)dataset:LA,ACDC,pancreas-CT

2)本文是会议的extention,多增加了一个deccoder(上采样用了nearest interpolating);多用了个Pancreas 和ACDC数据集;多比较了五个方法。

评论 1
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