基于利用强弱数据增强策略的交叉伪标签的半监督医学图像分割方法
计算机视觉与模式识别
2024-02-20 v1 人工智能
摘要
传统的监督学习方法在医学图像分割中历史上遇到某些限制，这是由于生物医学图像具有采集过程困难、标注成本高、信噪比低以及特征复杂等特点。本文提出了一种半监督模型 DFCPS，创新性地融入了 Fixmatch 概念。通过对未标注数据采用不同的策略进行数据增强处理，显著提升了模型的性能和泛化能力。同时，模型设计适当强调了伪标签的生成、过滤和细化过程。引入了交叉伪监督的新概念，将一致性学习与自训练相结合。这使得模型能够从多个角度充分利用伪标签，从而增强训练多样性。使用公开可用的 Kvasir-SEG 数据集将 DFCPS 模型与基线模型及先进模型进行了比较。在包含不同比例未标注数据的所有四个细分部分中，我们的模型始终表现出优越的性能。我们的源代码可在 https://github.com/JustlfC03/DFCPS 获取。
引用
@article{arxiv.2402.11273,
title = {Semi-supervised Medical Image Segmentation Method Based on Cross-pseudo Labeling Leveraging Strong and Weak Data Augmentation Strategies},
author = {Yifei Chen and Chenyan Zhang and Yifan Ke and Yiyu Huang and Xuezhou Dai and Feiwei Qin and Yongquan Zhang and Xiaodong Zhang and Changmiao Wang},
journal= {arXiv preprint arXiv:2402.11273},
year = {2024}
}
备注
5 pages, 2 figures, accept ISBI2024