医学画像分割のためのモデル異質半教師付きフェデレーテッドラーニング 背景紹介 医学画像分割は臨床診断において非常に重要な役割を果たし、医師が病状を識別し分析するのを助けます。しかし、このタスクは通常、敏感なデータ、プライバシー問題、高価なアノテーションコストなどの課題に直面しています。現在の研究は主に個別の協力訓練医療分割システムに焦点を当てていますが、分割アノテーションを取得することが時間がかかり労力を要するという点を見落としています。どのようにしてローカルモデルの個別化を維持しながら、アノテーションコストと分割性能をバランスさせるかが重要な研究方向となっています。そこで、本研究は新たなモデル異質半教師付きフェデレーテッドラーニングフレームワークを提案します。 論文出典 この論文は「Mod...

研究背景和动机 医学画像のセグメンテーションは解剖学的構造と病変領域の画像分析および臨床診断において重要な意義を持っています。しかし、従来の完全教師あり学習方法は大量のアノテーションデータに依存しており、医学画像のピクセルレベルのアノテーションデータの取得は高コストであり、時間がかかります。アノテーションデータへの依存を減らすために、半教師あり学習（SSL）方法が徐々に台頭してきました。現在のSSL方法、例えばmean teacher（MT）フレームワークは良好な効果を上げていますが、依然として多くの制限があります。したがって、本研究は二方向監督ネットワーク（bilateral supervision network、BSNet）を提案し、ラベルのないサンプルをより良く活用することで半教師あ...