SLPT：基于限制标签的病变分割的选择性标定与提示调整
原文中文，约400字，阅读约需1分钟。发表于：。使用深度学习进行医学图像分析时，由于有限的标记数据和高昂的注释成本，往往面临挑战。本文提出了一种将选择性标记与提示调整相结合的框架（SLPT），以提高有限标签下的性能，同时保持预训练模型不变，通过仅使用有限标记数据对这些参数进行更新。该框架包括了一个特征感知提示更新器，以引导提示调整，并采用基于提示的不确定性的无监督多样性选择和有监督选择。此外，我们提出了一种多样化的视觉提示调整策略，为选择...
本文提出了一种名为SLPT的框架，用于使用深度学习进行医学图像分析。该框架通过选择性标记和提示调整相结合，提高有限标签下的性能。通过仅使用有限标记数据对预训练模型参数进行更新，同时保持模型不变。该框架包括特征感知提示更新器和基于提示的无监督多样性选择和有监督选择。在肝肿瘤分割任务中，该方法仅使用了可调参数的6%，标记了5%的数据即可达到全数据性能的94%。
