Semise：医学图像中半监督学习的严重程度表示
图像与视频处理
2025-01-08 v1 计算机视觉与模式识别
摘要
本文介绍了 SEMISE，这是一种用于医学成像表示学习的新方法，结合了自监督学习和监督学习。通过利用标记数据和增强数据，SEMISE 解决了数据稀缺的挑战，并增强了编码器从数据中提取有意义特征的能力。这种集成方法导致更具信息性的表示，提高了下游任务的性能。结果表明，我们的方法在分类任务上实现了 12% 的改进，在分割任务上实现了 3% 的改进，超越了现有方法。这些结果表明 SEMISE 有潜力推动医学图像分析的发展，为医疗保健领域提供更准确的解决方案，尤其是在标记数据有限的情境下。
引用
@article{arxiv.2501.03848,
title = {Semise: Semi-supervised learning for severity representation in medical image},
author = {Dung T. Tran and Hung Vu and Anh Tran and Hieu Pham and Hong Nguyen and Phong Nguyen},
journal= {arXiv preprint arXiv:2501.03848},
year = {2025}
}
备注
Accepted for presentation at the 2025 IEEE 22nd International Symposium on Biomedical Imaging (ISBI)