ExiST:把漏检器官视为未确定的自训练方法
热点事件持续更新
ExiST:把漏检器官视为未确定的自训练方法
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
研究者提出存在感知自训练方法 ExiST,用于半监督多器官分割。该方法针对自训练中教师模型漏检小器官、伪标签将其误标为背景、导致尾部器官在训练中消失的问题,主张缺失器官应视为“未确定”而非“不存在”。 ExiST 通过独立训练网络的留一法共识构建伪标签,用验证集质量门筛选,并逐扫描、逐器官推断器官是否被找到。在 Synapse 20% 标注数据上平均 Dice 为 77.1,在 AMOS 5% 标注数据上为 75.9。
AI 根据报道生成 · 58 分钟前更新
最新进展11月20日 13:00
ExiST:面向半监督多器官分割的存在感知自训练方法报道时间线
沿着报道,了解事件的不同侧面。
11月20日
- arXiv cs.AIExiST:面向半监督多器官分割的存在感知自训练方法
针对自训练中教师模型漏检小器官、伪标签将其误标为背景并导致尾部器官被"训练消失"的问题,研究者提出存在感知自训练方法 ExiST,将缺失器官视为"未确定"而非"不存在"。该方法通过独立训练网络的留一法共识构建伪标签,并用验证集质量门筛选、逐扫描逐器官推断器官是否被找到。在 Synapse 20% 标注数据上达到 77.1 平均 Dice,在 AMOS 5% 标注数据上达到 75.9。
本事件热度走势
还没有足够的连续观测数据,暂不绘制趋势。