Sign In
insight - 半教師あり医用画像セグメンテーション
不確実性を考慮した証拠融合に基づく半教師あり医用画像セグメンテーション
本論文は、証拠理論に基づく予測結果の融合と漸進的な学習戦略を提案することで、医用画像セグメンテーションの精度を向上させる。
半教師あり医用画像セグメンテーションのための混合プロトタイプ一貫性学習
本研究は、ラベル付きデータの不足を補うために、教師ネットワークと補助ネットワークを用いて、ラベル付きデータ、ラベルなしデータ、およびCutMixによって生成された混合データからプロトタイプを生成し、それらを融合することで、高品質なグローバルプロトタイプを形成し、一貫性学習の性能を向上させる手法を提案する。
半教師あり医用画像セグメンテーションの強化のための摂動戦略と知識蒸留を用いたCrossMatch
CrossMatchは、画像レベルと特徴レベルの摂動戦略を統合し、自己知識蒸留を活用することで、限られた教師付きデータと大量の教師なしデータを効果的に活用し、医用画像セグメンテーションの精度と頑健性を大幅に向上させる。
ラグランジュ双対性と複合マルチ注意トランスフォーマーを用いた半教師あり医用画像セグメンテーション
提案したCMAformerモデルは、ResUNetとトランスフォーマーの長所を融合し、空間注意とチャンネル注意を多スケールで効果的に統合することで、医用画像セグメンテーションの性能を大幅に向上させている。また、ラグランジュ双対性に基づく一貫性損失関数を提案し、少量の教師データでも高精度なセグメンテーションを実現している。
半教師あり医用画像セグメンテーションのための学生間の差異に基づく修正学習
本研究は、教師-学生フレームワークに基づく半教師あり医用画像セグメンテーションの手法を提案する。提案手法は、2つの構造の異なる学生と1つの非学習教師を用いて、学生間の差異を活用して自己修正学習を行う。これにより、確認バイアスや認知バイアスを軽減し、セグメンテーション精度を向上させることができる。
Products | Resources
© 2024 by Linnk AI