PulseAugur
中
实时 17:22:54
English(EN) OFD-Net: Teacher-Free Reliable Semi-supervised Medical Image Segmentation with Orthogonal Feature Disentanglement Net of Foreground-Background

OFD-Net：无需教师的医学图像分割框架发布

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了OFD-Net，一种新颖的半监督医学图像分割框架，该框架不需要教师网络。该方法利用正交特征解耦模块（OFDM）将无标签数据分离为前景和背景表示，从而提高伪标签的可靠性并减少误差累积。该系统包含一个解耦引导模块（DGM）来注入结构先验，以及一个可靠性感知伪标签机制，该机制在训练期间降低不可靠区域的权重。在四个公开基准上的实验证明了OFD-Net在建立高效可靠的分割范式方面的有效性。 AI

影响 引入了一种新颖的无需教师的医学图像分割方法，有望提高临床应用的准确性和可靠性。

排序理由 该集群包含一篇详细介绍医学图像分割新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

OFD-Net：无需教师的医学图像分割框架发布

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Shao-feng Jiang, Zhe-yang Jing, Qin Lu, Huan-huan Shi, Zhen Chen, Cong-xuan zhang, Chen Yi ·

    OFD-Net：无需教师的可靠半监督医学图像分割，采用前景-背景正交特征解耦网络

    arXiv:2607.16705v1 Announce Type: cross Abstract: Semi-supervised learning (SSL) is an effective solution for medical image segmentation with limited annotations. Existing SSL methods mainly rely on pseudo-labels generated by teacher-student supervision or cross-network consisten…

相关实体

相关话题