文章目录

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

在这里插入图片描述
无监督损失函数
在这里插入图片描述
伪标签再学习策略
在这里插入图片描述

  • 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

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

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
# 学习
Logo
DAMO开发者矩阵

DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐

cover

【计算机视觉】深度学习医疗影像实战：PathMNIST 数据集全解析

avatar DAMO开发者矩阵
cover

‌从菏泽小城到国际项目：我的AI测试逆袭

avatar DAMO开发者矩阵

5大深度学习核心算法拆解（从入门到实战），适合新手的系统学习路径

课程面向各省市、自治区从事人工智能、机器学习、计算机视觉、自然语言处理、无人机、无人艇、无人车、机器人、智能体、多智能体、兵棋推演、自动驾驶、能源分配、编队控制、航迹规划、路由规划等领域的企事业单位技术骨干、科研院所研究人员、大专院校相关专业教学人员及在校研究生，同时也欢迎深度学习、人工智能广大爱好者加入，针对性解决不同人群的核心学习需求。从企业实战与科研角度，CNN的核心价值在于降低图像数据处理

avatar DAMO开发者矩阵