医療画像セグメンテーションのための効率的な半教師あり学習手法 - 双対構造認識フィルタリングの提案
提案手法は、医療画像の構造情報を活用したデュアルの構造認識フィルタリングを画像レベルの変形として導入し、確認バイアスの問題を軽減することで、半教師あり医療画像セグメンテーションの性能を大幅に向上させる。
医療画像セグメンテーションのための半教師あり学習手法「Evidential Prototype Learning」
本論文は、Evidential Prototype Learning (EPL)と呼ばれる新しい半教師あり医療画像セグメンテーション手法を提案する。EPLは、証拠理論に基づく拡張確率フレームワークを利用し、ラベル付きデータとラベルなしデータの両方から信頼性の高い特徴を抽出し、予測の不確実性を効果的に活用することで、高精度なセグメンテーションを実現する。
医療画像セグメンテーションのための信頼性の高い証拠ベースの三分岐一貫性学習手法
本論文は、医療画像セグメンテーションの半教師あり学習において、信頼性の高い疎拠証拠ベースの三分岐一貫性学習フレームワークを提案する。提案手法は、相補的な特性を持つ2つの証拠ベースの分岐と、それらの融合分岐を統合することで、ラベル付きデータとラベルなしデータの両方から有用な情報を効果的に抽出し、セグメンテーション精度を向上させる。
稀少な医療画像アノテーションを活用した半教師あり医療画像セグメンテーションのための対角階層的一貫性学習
提案するDiHC-Netフレームワークは、多様な中間表現と最終予測の一貫性を学習することで、限られた教師付きデータを効果的に活用し、優れたセグメンテーション性能を達成する。
医療画像セグメンテーションのための適応的双方向変位法
本論文は、半教師あり医療画像セグメンテーションのための適応的双方向変位法(ABD)を提案する。ABDは、混合摂動の制約を緩和し、一貫性学習の上限を高めることで、セグメンテーション性能を大幅に向上させる。
医療画像セグメンテーションのための半教師あり学習における時間的一貫性の探索を通じたProgressive Mean Teacherの提案
本研究では、時間的一貫性を探索することで高品質な疑似ラベルを生成し、医療画像セグメンテーションの性能を向上させる新しい半教師あり学習フレームワーク「Progressive Mean Teacher」を提案する。
© 2024 by Linnk AI