数据有限时的医学图像分割
图像与视频处理
2024-07-15 v1 计算机视觉与模式识别
摘要
尽管计算机视觉在医学图像分割方面已证明有价值，但其应用面临数据集大小有限和有效利用无标签图像复杂性等挑战。为解决这些挑战，我们提出了一种新颖的半监督、基于一致性的方法，称为数据高效医学分割器 (DEMS)。DEMS 具有编码器-解码器架构，并集成了开发的在线自动增强器 (OAA) 和残差鲁棒性增强 (RRE) 块。OAA 通过对输入数据进行 various 图像变换来进行数据增强，从而提高了模型的泛化能力。RRE 丰富了特征的多样性，并引入扰动以为不同解码器创建多样化的输入，从而提供更好的可变性。此外，我们引入一个敏感损失函数进一步增强不同解码器之间的一致性并稳定训练过程。在我们自制的三个公共数据集上的大量实验结果确认了 DEMS 的有效性。在数据极度不足的情况下，我们的 DEMS 在 dice 评分上分别比 U-Net 和表现最好的现有研究方法提高了 16.85% 和 10.37%。鉴于其卓越的数据效率，DEMS 可能在小数据情景下对医学分割具有重大突破。项目主页可访问 https://github.com/NUS-Tim/DEMS。
引用
@article{arxiv.2407.09189,
title = {Segmenting Medical Images with Limited Data},
author = {Zhaoshan Liua and Qiujie Lv and Chau Hung Lee and Lei Shen},
journal= {arXiv preprint arXiv:2407.09189},
year = {2024}
}
备注
Neural Networks Accepted