半监督:基于少量人工标记的深度学习医学图像分割

文章目录

    • 导读
    • 半监督
    • 论文1
    • 论文2

导读

随着人工智能,尤其是深度学习技术的迅速发展,基于深度学习的分割方法已在图像分割领域取得了良好的效果,相比传统的机器学习和计算机视觉方法,深度神经网络在分割精度和速度等方面都具有一定的优势。其分割准确度已经超过了传统的分割算法。可以说,深度学习算法在图像处理中具有重要的理论研究意义以及实用价值。然而,目前的深度学习算法主要依靠训练数据,需要大量的手工标记数据用于训练。由于医学图像数据量较大,而且人工标记非常的耗时费力,可能还会有主观意识产生的误差,限制了深度学习方法在医学图像分割领域的应用[1]。
半监督方法通过引入领域知识降低了算法对人工标记数据的需求量,很大程度上缓解了数据标注的难度,是解决数据标记问题的一种重要途径。

半监督

半监督学习(Semi-Supervised Learning,SSL)是模式识别和机器学习领域研究的重点问题,是监督学习与无监督学习相结合的一种学习方法。半监督学习使用大量的未标记数据,以及同时使用标记数据,来进行模式识别工作。当使用半监督学习时,将会要求尽量少的人员来从事工作,同时又能够带来比较高的准确性,因此,半监督学习目前正越来越受到人们的重视[2]。
半监督:基于少量人工标记的深度学习医学图像分割_第1张图片
详见参考这篇博客:https://www.cnblogs.com/kamekin/p/9683162.html

论文1

title:
Transfer Learning from Partial Annotations forWhole Brain Segmentation

下载地址:https://link_springer.xilesou.top/chapter/10.1007/978-3-030-33391-1_23

具体介绍详见下篇博客
https://blog.csdn.net/weixin_43876801/article/details/103158165

论文2

title:
Removing segmentation inconsistencies with semi-supervised non-adjacency constraint

下载地址:
https://sciencedirect.xilesou.top/science/article/pii/S1361841519300866

具体介绍详见下篇博客
https://blog.csdn.net/weixin_43876801/article/details/103155799

参考:
[1]基于深度学习的医学图像分割技术
[2]百度百科 半监督

你可能感兴趣的:(医学影像分析,半监督,医学图像分割,深度学习)