Self-aware and Cross-Sample Prototypical Learning for Semi-supervised Medical Image Segmentation论文速读
发布时间
阅读量：
阅读量
目录
- Self-reflective and Cross-sample Prototypical Learning for Semi-supervised Medical Image Segmentation
- 摘要
- 本文提出了一种 novel 的自反式与跨样本原型学习方法用于semi-supervised医疗图像分割。
- 该方法通过整合自反性与跨样本原型学习实现有效的semi-supervised医疗图像分割。
- 实验结果表明所提方法在semi-supervised医疗图像分割任务中表现出高准确率。
Self-attention and Cross-sample Archetypal Learning for Semi-supervised Segmentation of Medical Images
摘要
在半监督医学图像分割任务中，一致性学习扮演着不可或缺的角色。它不仅能够充分利用有限的标注数据资源，并且也能充分挖掘大量未标注的数据潜力。然而，在现有研究中往往忽视了预测多样性与训练稳定性这两个关键因素的影响。与此同时，在实际应用中用于训练的数据中标记样本数量通常较为有限。这些限制使得现有方法难以充分发挥其潜在性能。
本文提出了一种名为SCPNet的自我意识和交叉样本原型学习方法。该方法基于多源语义信息构建一致预测结果，并通过集成双重损失权重加权机制进一步优化性能。此外，在跨样本原型一致性学习框架中融入自监督学习策略，在无标签数据指导下提升每类伪标签分布的紧致性。最后，在跨样本 prototype consistency 学习过程中整合双重 loss weighting 策略，并在此基础上提出了改进型模型架构
方法
首先是Self-cross Prototypical Prediction模块
原型为q，i为第i个像素，k为样本，c为类别
通过自我样本计算进一步得到
跨样本相似度计算
再进一步计算得到概率图
然后是Prototypical Prediction Uncertainty部分
m为mask
用熵公式进行计算不确定性
损失函数如下
实验结果
全部评论 (0)
还没有任何评论哟~