Método semisupervisado consciente de la incertidumbre para la segmentación del músculo pectoral
Autores: Tang, Yutao; Guo, Yongze; Wang, Huayu; Song, Ting; Lu, Yao
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Método semisupervisado consciente de la incertidumbre para la segmentación del músculo pectoral
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Método semisupervisado
Términos de regularización
Predicciones de baja confianza
Consciente de la incertidumbre
Prior anatómico
Predicciones objetivo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 26
Citaciones: Sin citaciones
El método de regularización de consistencia es un método semi-supervisado ampliamente utilizado que utiliza términos de regularización construidos a partir de datos no etiquetados para mejorar el rendimiento del modelo. Las predicciones de destino de baja calidad en los términos de regularización producen flujos de gradiente ruidosos durante el entrenamiento, lo que resulta en una degradación en el rendimiento del modelo. Los métodos semi-supervisados recientes suelen filtrar las predicciones de destino de baja confianza para aliviar este problema, pero también evitan que el modelo aprenda características de los datos no etiquetados en regiones de baja confianza. Específicamente, en imágenes médicas y otros escenarios de cruce de dominios, los modelos tienden a producir grandes cantidades de predicciones de baja confianza. Para mejorar la calidad de las predicciones de destino mientras se utiliza de manera más eficiente los datos no etiquetados, proponemos un método semi-supervisado consciente de la incertidumbre que incorpora la prioridad anatómica mamaria, para la segmentación del músculo pectoral. Nuestro método tiene una estructura de modelo dual típica de maestro-alumno, donde la incertidumbre se utiliza para distinguir entre predicciones de alta y baja confianza en la salida del modelo maestro. Se diseñó un módulo de refinamiento de predicciones de baja confianza para refinar las predicciones de baja confianza mediante la incorporación de predicciones de alta confianza y una prioridad anatómica aprendida. La prioridad anatómica, como regularización de las predicciones de destino, se aprendió a partir de anotaciones y una tarea auxiliar. Las predicciones de destino finales son una combinación de predicciones de alta confianza del maestro y predicciones refinadas de baja confianza. El método propuesto se evaluó en un conjunto de datos que contiene 635 puntos de datos de tres centros de datos. En comparación con el método de referencia, el método propuesto mostró una mejora promedio en el índice DICE de 1.76, una reducción promedio en el índice IoU de 3.21 y una reducción promedio en el índice HD de 5.48. Los resultados experimentales muestran que nuestro método se generaliza bien al conjunto de pruebas y supera a otros métodos en todas las métricas de evaluación.
Descripción
El método de regularización de consistencia es un método semi-supervisado ampliamente utilizado que utiliza términos de regularización construidos a partir de datos no etiquetados para mejorar el rendimiento del modelo. Las predicciones de destino de baja calidad en los términos de regularización producen flujos de gradiente ruidosos durante el entrenamiento, lo que resulta en una degradación en el rendimiento del modelo. Los métodos semi-supervisados recientes suelen filtrar las predicciones de destino de baja confianza para aliviar este problema, pero también evitan que el modelo aprenda características de los datos no etiquetados en regiones de baja confianza. Específicamente, en imágenes médicas y otros escenarios de cruce de dominios, los modelos tienden a producir grandes cantidades de predicciones de baja confianza. Para mejorar la calidad de las predicciones de destino mientras se utiliza de manera más eficiente los datos no etiquetados, proponemos un método semi-supervisado consciente de la incertidumbre que incorpora la prioridad anatómica mamaria, para la segmentación del músculo pectoral. Nuestro método tiene una estructura de modelo dual típica de maestro-alumno, donde la incertidumbre se utiliza para distinguir entre predicciones de alta y baja confianza en la salida del modelo maestro. Se diseñó un módulo de refinamiento de predicciones de baja confianza para refinar las predicciones de baja confianza mediante la incorporación de predicciones de alta confianza y una prioridad anatómica aprendida. La prioridad anatómica, como regularización de las predicciones de destino, se aprendió a partir de anotaciones y una tarea auxiliar. Las predicciones de destino finales son una combinación de predicciones de alta confianza del maestro y predicciones refinadas de baja confianza. El método propuesto se evaluó en un conjunto de datos que contiene 635 puntos de datos de tres centros de datos. En comparación con el método de referencia, el método propuesto mostró una mejora promedio en el índice DICE de 1.76, una reducción promedio en el índice IoU de 3.21 y una reducción promedio en el índice HD de 5.48. Los resultados experimentales muestran que nuestro método se generaliza bien al conjunto de pruebas y supera a otros métodos en todas las métricas de evaluación.