典型文献
基于混合监督学习与度量学习的医学图像分割
文献摘要：
高精度自主定位目标器官和病灶是手术机器人领域的关键技术之一.近年来,基于监督学习的方法在此任务上取得了良好的表现,但是高昂的标注成本限制了这类方法的临床应用.混合监督学习可以同时利用少量强标签与大量弱标签,实现精度与成本之间的平衡.然而,现有的混合监督方法存在任务间和任务内不一致性问题,导致分割性能较差.本文设计了一个全新的基于混合监督学习的医疗图像分割框架,利用少量精确掩模标注和大量图像级别类标注,实现了低成本高精度图像分割.具体而言,为了解决多任务间不一致性问题,本文设计了全参数硬共享策略,保证了任务之间的收敛速度一致.为了解决任务内不一致性问题,本文设计了基于度量学习的分割模块,保证前景特征的一致性及前背景特征的差异性.为了减少不同分支之间的独立参数,本文设计了单卷积分类模块,负责弱监督分支的特征解码.最后,本文所提方法在公开的LiTS数据集上进行了实验,与现有方法相比取得了最佳的分割表现.
文献关键词：
医学图像分割;混合监督学习;度量学习;多任务网络
中图分类号：
作者姓名：
聂秀萍;刘立陆;何立锋;王越;陆豪健;楼颂梅;熊蓉
作者机构：
浙江大学 控制科学与工程学院,杭州 310027;浙江大学医学院附属邵逸夫医院 普外科,杭州 310016
文献出处：
引用格式：
[1]聂秀萍;刘立陆;何立锋;王越;陆豪健;楼颂梅;熊蓉-.基于混合监督学习与度量学习的医学图像分割)[J].人工智能,2022(03):123-132
A类：
混合监督学习
B类：
度量学习,医学图像分割,自主定位,手术机器人,高昂,监督方法,不一致性,一致性问题,医疗图像分割,掩模,全参数,共享策略,收敛速度,背景特征,弱监督,征解,解码,LiTS,多任务网络
AB值：
0.242828
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
