BriefGPT - AI 论文速递
·
基于 SAM 驱动的不确定性感知交叉教学的弱监督结节分割
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本研究提出了一种基于长宽比批注的自动结节分割方法，通过两种类型的伪标签训练两个不对称分割网络，并引入动态混合伪标签监督模块解决过分割和欠分割问题。实验结果表明，该方法在超声数据集上的性能优于其他方法，甚至可以与全监督方法相媲美。
🎯
关键要点
- 本研究提出了一种基于长宽比批注的自动结节分割方法。
- 采用两种类型的伪标签训练两个不对称分割网络。
- 结合保守和激进标签采用平衡策略。
- 引入动态混合伪标签监督模块以解决过分割和欠分割问题。
- 提出了一种新的损失函数，即临床解剖先验损失。
- 在甲状腺和乳房的超声数据集上进行广泛实验，结果优于其他方法。
- 该方法的性能可以与全监督方法相媲美，甚至更好。
➡️
