基于正例和无标签学习的个体未标记数据自适应伪标签选择.pdfVIP

基于正例和无标签学习的个体未标记数据自适应伪标

签选择

TakehiroYamane,ItaruTsuge,SusumuSaito,andRyomaBise

KyushuUniversity,Fukuoka,Japan

KyotoUniversityHospital,Kyoto,Japan

bise@ait.kyushu-u.ac.jp

摘要本文提出了一种新的伪标签方法，用于医学图像分割，可以在“单个

本图像”上进行学习以选择有效的伪标签。我们引入了正样本和未标记样本

译学习（PU学习），该方法仅使用正样本和未标记数据来进行二元分类问题，

中从而获得区分前景和背景区域的适当度量标准。我们的PU学习使我们能

够轻松为各种背景区域选择伪标签。实验结果表明了我们方法的有效性。

1

v

8Keywords:半监督学习，伪标记，PU学习

4

5

71介绍

0

.

8

0医学图像分割在医疗行业中扮演着重要角色。因此，利用深度学习和

5人工智能进行医学图像自动分析的研究已成为一个重要趋势～[1,12,22]。然

2

:而，这些研究的方法需要大量的高质量监督数据（标记数据）。

v

i另一方面，标注医学图像的成本很高，准备足够的标记数据颇具挑战性。

x

r相比之下，医学图像数据丰富，大量原始数据存储在医院和其他设施中。因

a

此，需要利用这些未标注的数据（无标签数据）来提高深度学习模型的性能。

半监督学习（SSL）是一种利用无标签数据进行深度学习的方法。在SSL

中，一个判别模型是通过少量的有监督数据和大量的无标签数据来训练的。

伪标记方法[9,6,15,21]，作为SSL中常见的方法之一，最初使用少量的监

督数据训练分割模型，并基于预训练模型估计的信心选择伪标签。随后，这

些方法使用监督数据和获得的伪标签重新训练模型。

传统伪标签方法对所有未标记图像使用相同的度量（置信度），如图1

（左）所示。然而，适用于所有未标记图像的通用度量可能不适合特定图像。

这是因为医学图像包含各种类型的背景噪声，例如重建伪影、传感器噪音、

身体运动等。这表明每张图像的特征分布存在偏差，如图1（左）所示。在

2T.Yamaneetal.

ConventionalPseudoLabelingProposedMethod

BackgroundnoiseToselectpseudolabels,Metricsareadaptivefor

ImageA