用于视频胶囊内镜出血区域分割的半监督学习
计算机视觉与模式识别
2023-08-08 v1 人工智能
摘要
在现代诊断技术领域，视频胶囊内镜（VCE）因其对包括不明原因出血在内的多种胃肠道（GI）疾病诊断的高效性与无创性而脱颖而出。重要的是，对这些疾病成功诊断与治疗而言，准确识别 VCE 图像中的出血区域至关重要。尽管基于深度学习的方法已成为 VCE 图像自动分析的强大工具，它们通常需要带有全面标注的大型训练数据集。获取这些标注数据集往往耗时、昂贵，且需要大量领域专业知识。为缓解此问题，我们采用了一种半监督学习（SSL）方法用于 VCE 内出血区域分割。通过采用“Mean Teacher”方法，我们构建了带有 scSE 注意力块的学生 U-Net，以及相同架构的教师模型。这些模型的参数在整个训练过程中交替更新。我们使用涵盖多种 GI 出血病症的 Kvasir-Capsule 数据集进行实验。值得注意的是，我们自行开发了该数据集的分割标注。实验结果支持了基于 SSL 的分割策略的有效性，表明其能够减少对大量标注的依赖用于模型训练，且不损害识别的准确性。
引用
@article{arxiv.2308.02869,
title = {Semi-supervised Learning for Segmentation of Bleeding Regions in Video Capsule Endoscopy},
author = {Hechen Li and Yanan Wu and Long Bai and An Wang and Tong Chen and Hongliang Ren},
journal= {arXiv preprint arXiv:2308.02869},
year = {2023}
}
备注
ICBIR 2023