-
题名基于跨任务一致性的半监督肝脏CT图像分割
- 1
-
-
作者
李明漾
王庆凤
陈立伟
黄俊
周莹
-
机构
西南科技大学计算机科学与技术学院
绵阳市中心医院放射科
-
出处
《计算机技术与发展》
2024年第2期65-70,共6页
-
基金
四川省自然科学基金项目(2022NSFSC0940,2022NSFSC0894)
西南科技大学博士基金项目(19zx7143,20zx7137)。
-
文摘
目前基于深度学习的医学图像分割方法往往需要大量带标记数据训练网络模型,然而医学影像的标记数据获取通常非常昂贵,半监督学习能使模型利用大量未标记数据和少量标记数据学习。该文提出了一种基于跨任务一致性的半监督学习框架来降低神经网络模型训练时需要的标记数据成本。该方法利用V-Net网络作为主干框架并添加两个辅助解码器,同时在解码器中引入一个辅助回归任务,提高模型分割性能,并在主副解码器的分割任务和回归任务之间施加正则化约束的跨任务一致性损失,该框架能够学习到大量未标记数据的几何先验信息。在LiTS2017 Challenges数据集上验证了该方法的有效性。在使用20%标记数据的实验中,该方法的Dice系数和Jaccard指数分别达到了93.95%和88.87%,相比全监督V-Net网络模型训练下的Dice系数和Jaccard系数分别提高了3.60百分点和5.78百分点。实验结果表明,该方法在使用少量带标记数据情况下达到接近100%带标记数据训练分割肝脏的精度,与其他的半监督方法相比分割精度更优。
-
关键词
医学影像
半监督学习
神经网络
回归任务
一致性损失
-
Keywords
medical imaging
semi-supervised learning
neural networks
regression tasks
consistency loss
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于广义最大相关熵准则的宽度学习系统
- 2
-
-
作者
赵海全
陆鑫
-
机构
西南交通大学电气工程学院
-
出处
《信号处理》
CSCD
北大核心
2023年第11期1957-1963,共7页
-
基金
国家自然科学基金(62171388,61871461,61571374)。
-
文摘
宽度学习系统(broad learning system,BLS)是近几年提出的一种新型判别学习方法,具有结构简单,训练快速的特点,在各种回归和分类问题上得到广泛应用。然而标准的BLS是在最小均方误差(MMSE)准则下推导出来的,对异常值的存在十分敏感,这无疑降低了系统的准确性。为了提高BLS的鲁棒性,有学者提出了最大相关熵准则(MCC)的BLS(C-BLS)。相对于最小均方误差准则,最大相关熵准则包含了更多的高阶误差信息,所以C-BLS对异常值具有良好的鲁棒性。但考虑到相关熵中默认的核函数固定为高斯核,这并不适用于绝大多数情况。本文中引入了以广义高斯密度(GGD)函数作为核函数的广义相关熵,并将广义最大相关熵准则(GMCC)应用于BLS,提出了新的鲁棒算法(GC-BLS)。相较于高斯核函数,广义高斯密度函数更为灵活,高斯核可以看作它的一个特例,在选取适当参数时,GC-BLS将退化为C-BLS,这使得新算法至少能获得与C-BLS算法相当的性能。实验中以均方根误差作为标准,在回归数据集与时间序列数据集上对新算法进行检验,在绝大多数情况下,GC-BLS都能取得相较于其他算法更小的均方根误差。实验表明,该算法是非常稳定的。仿真结果验证了理论上的期望,并验证了新算法的性能。
-
关键词
宽度学习系统(BLS)
最大相关熵准则(MCC)
广义最大相关熵准则(GMCC)
回归任务
-
Keywords
broad learning system(BLS)
maximum correntropy criterion(MCC)
generalized maximum correntropy criterion(GMCC)
regression tasks
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
