多模态对比互学习和伪标签再学习半监督医学图像分割

文章目录

  • Multi-modal contrastive mutual learning and pseudo-label re-learning for semi-supervised medical image segmentation
    • 摘要
    • 本文方法
    • 实验结果
    • 总结

Multi-modal contrastive mutual learning and pseudo-label re-learning for semi-supervised medical image segmentation

摘要

  • 多模态半监督模型
  • 提出一种新的对比损失函数最小化两种图像模态的差异
  • 伪标签再学习解决不同模态之间存在的预测效果差异
  • 将高性能模态的模型用作具有更高置信度的教师模型
  • 在推理阶段仅使用一种模态进行分割

本文方法

多模态对比互学习和伪标签再学习半监督医学图像分割_第1张图片
无监督损失函数
多模态对比互学习和伪标签再学习半监督医学图像分割_第2张图片
伪标签再学习策略
多模态对比互学习和伪标签再学习半监督医学图像分割_第3张图片

  • EMA加权模型和贝叶斯近似的dropout
  • HP:表现最好的模型
  • BMP:动态存储表现最好的模型

实验结果

多模态对比互学习和伪标签再学习半监督医学图像分割_第4张图片
多模态对比互学习和伪标签再学习半监督医学图像分割_第5张图片
多模态对比互学习和伪标签再学习半监督医学图像分割_第6张图片

总结

  • 利用损失函数减少模态之间的异质性
  • 利用mean-teacher模型减少预测的输入模态
  • 利用伪标签再学习方法提升鲁棒性
  • 利用BMA参数更新提升模型准确性

你可能感兴趣的:(#,半监督学习,学习)