.png){kind=icon}
返回
Decoupling with Wavelet-Based Equalization for Fully and Semi-supervised Biomedical Image Segmentation
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-5634-2_35.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
生物医学图像分割在深度学习的推动下取得了显著进展，但依赖标注数据集的问题仍是持续存在的瓶颈。半监督学习（SSL）通过利用未标注数据提供了一种有前景的解决方案。一种常见的SSL策略是通过对输入数据施加扰动来实施一致性正则化。然而，人工设计的扰动可能引入不真实的形态变化，导致模型可靠性下降。此外，现有方法很少能同时在一个统一框架内支持全监督和半监督学习。为解决这些局限性，我们提出了一种有效的统一一致性正则化框架，该框架无缝集成了全监督和半监督学习范式。具体而言，我们采用小波变换将输入图像分解为低频（LF）和高频（HF）分量，从而从图像本身获得自然的一致性学习信号。认识到任一分量可能缺乏必要信息，我们执行均衡化校正以自适应补偿缺失的语义和纹理线索。随后利用LF和HF表示之间的分割差异进行一致性训练。为进一步促进频域感知表示学习，我们引入了四象限频域感知单元（QFAU），该单元将特征图划分为四个象限以提取局部频域感知表示，显著提升模型对复杂频域模式的判别能力。在三个具有挑战性的生物医学分割任务上的实验表明，我们的方法在全监督和半监督场景下均显著优于现有方法，并在多种生物医学成像模态上展现出卓越的泛化能力。代码可在https://github.com/heisha233/DWE获取。
Keyword:
Biomedical image segmentation
Semi-supervised learning
Consistency regularization
期刊
P
IF:
0
论文数:
28
被引数:
0
机构
引用论文
Swin-Unet: Unet-Like Pure Transformer for Medical Image SegmentationSwin Unet: 用于医学图像分割的类Unet纯变压器
PREAI
分享收藏Rethinking Copy-Paste for Consistency Learning in Medical Image Segmentation重新思考用于医学图像分割一致性学习的复制-粘贴方法
PREAI
分享收藏An Integrated Micro- and Macroarchitectural Analysis of the Drosophila Brain by Computer-Assisted Serial Section Electron Microscopy.png)
PLoS Biology
OAAI
PLoS BiologyIF0
OAAI分享收藏Gland segmentation in colon histology images: The glas challenge contest结肠组织学图像中的腺体分割: gla挑战赛MEDICAL IMAGE ANALYSISOAAI
MEDICAL IMAGE ANALYSISIF11.8
OAAI分享收藏Rolling-Unet: Revitalizing MLP’s Ability to Efficiently Extract Long-Distance Dependencies for Medical Image SegmentationRolling-Unet：重新激发MLP高效提取医学图像分割中长距离依赖的能力
OAAI
OAAI分享收藏分享收藏
查看更多内容