新的半监督方法通过跨模态对齐增强医学图像分割

研究人员开发了Semi-MedRef，一个新颖的用于医学参考图像分割的半监督学习框架。该方法通过有效利用未标记数据，解决了获取成对像素级标注和参考文本的高成本问题。Semi-MedRef 采用三个关键组件：用于对齐保持的跨模态增强的 T-PatchMix，用于位置感知文本增强的 PosAug，以及鼓励解剖学基础的跨模态表示学习的位置亲和力对比学习 (PACL)。在 QaTa-COV19 和 MosMedData+ 数据集上的实验表明，Semi-MedRef 在各种标签模式下均优于现有的全监督和半监督方法。 AI

影响 通过利用未标记数据和跨模态对齐来提高医学图像分割的准确性，有潜力改进诊断工具。

排序理由 该集群描述了一篇详细介绍医学图像分割新方法的最新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• MosMedData+
• PosAug
• Positional Affinity Contrastive Learning
• QaTa-COV19
• Semi-MedRef
• T-PatchMix
• Yuchen Li

• 论文
• 其他

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