每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

基于二维自然图像预训练模型的半监督三维医学分割

Created by
  • Haebom

作者

杨伯熙、Jayroop Ramesh、吕鹏飞、Ana Namburete、Jagath Rajapakse

大纲

本文探讨了知识迁移，以改进基于二维自然图像预训练的通用视觉模型的三维医学图像分割效果。我们专注于半监督学习环境，该环境包含少量带标签的三维医学图像和大量未带标签的图像。为此，我们提出了 M&N 模型，这是一个与模型无关的框架，它逐步将二维预训练模型中的知识提炼到从头开始训练的三维分割模型上。M&N 模型使用彼此生成的伪掩模迭代地协同训练两个模型，并根据模型的预测精度和稳定性自适应地调整带标签数据与未带标签数据的比例，通过基于学习率的采样最大限度地减少不准确伪掩模的负面影响。在多个公共数据集上进行的大量实验表明，M&N 模型达到了最佳性能，在所有设置下均优于 13 种现有的半监督分割方法。重要的是，消融研究证明了 M&N 的模型无关性，以及其与各种架构无缝集成的能力，从而确保了其在更先进模型出现时仍具有良好的适应性。代码可在https://github.com/pakheiyeung/M-N获取。

Takeaways，Limitations

•
Takeaways：
◦
我们提出了一个独立于模型的框架（M＆N），可以有效地将知识从 2D 预训练模型转移到 3D 医学图像分割。
◦
在半监督学习环境中实现最先进的性能。
◦
通过基于学习率的采样最大限度地减少不准确的伪掩模的负面影响。
◦
模型独立性确保与各种架构的兼容性。
•
Limitations：
◦
需要进一步验证所提出框架的泛化性能。
◦
需要扩大针对各种医学图像类型和疾病的实验验证。
◦
探索基于学习率的采样策略的最佳可行性。
👍
Made with Slashpage