面向白细胞分割的重新设计自训练半监督语义分割方法
计算机视觉与模式识别
2024-02-26 v3 人工智能
摘要
医疗保健领域的人工智能（AI），特别是在白细胞癌症诊断中，面临两大主要挑战：缺乏用于白细胞（WBC）分割的大规模标注数据集以及分割方法陈旧。这些挑战阻碍了更准确、更现代的白细胞癌症诊断技术的发展。为了解决第一个挑战，应设计一个半监督学习框架，以有效利用现有稀缺的数据集。在这项工作中，我们通过提出一种结合 FixMatch 的新型自训练流程来解决此问题。自训练是一种利用在标注数据上训练的模型为未标注数据生成伪标签，然后在两者上重新训练的技术。FixMatch 是一种一致性正则化算法，用于增强模型对输入图像变化的鲁棒性。我们发现，通过在自训练流程中结合 FixMatch，在大多数情况下性能得到提升。我们的方法在使用 DeepLab-V3 架构和 ResNet-50 并采用一致性自训练方案时取得了最佳性能，在 Zheng 1、Zheng 2 和 LISC 数据集上分别达到 90.69%、87.37% 和 76.49%。
引用
@article{arxiv.2401.07278,
title = {Semi-Supervised Semantic Segmentation using Redesigned Self-Training for White Blood Cells},
author = {Vinh Quoc Luu and Duy Khanh Le and Huy Thanh Nguyen and Minh Thanh Nguyen and Thinh Tien Nguyen and Vinh Quang Dinh},
journal= {arXiv preprint arXiv:2401.07278},
year = {2024}
}