A Semi-Supervised Framework for Cardiac MRI Segmentation via Multi-Constraint Collaborative Self-Training
Notice bibliographique
Résumé
To address the challenges of limited annotated data and the adverse impact of noisy pseudolabels on model generalization in cardiac magnetic resonance imaging (MRI) segmentation, a novel semi-supervised segmentation framework based on multi-constraint collaborative self-training was developed.The proposed approach integrates uncertainty-guided pseudolabel quality control, prototype-driven inter-and intra-class consistency constraints, and a multi-scale adversarial learning mechanism.During each iteration of self-training, a dynamic selection of pseudo-labels generated by unlabeled samples was conducted using a method that fuses confidence and entropy-based uncertainty quantification, thereby enhancing the reliability of the pseudo-supervision signals.Simultaneously, class-specific prototype vectors were dynamically maintained to enforce explicit constraints that encourage intra-class feature aggregation and inter-class feature separability, improving the discriminative capacity of the feature space.In addition, both global and local discriminators were introduced to impose dual-level quality constraints on the global morphology and local structural details of the segmentation outputs, resulting in refined boundary delineation and enhanced structural consistency.Extensive experiments conducted on the publicly available ACDC dataset demonstrated that the proposed method achieved an average Dice Similarity Coefficient (DSC) of 0.730 with only 5% of the annotations, outperforming existing methods such as Deep Co-Training (DCT) (0.711) and Mean Teacher (MT) (0.654) and approaching the performance of full supervision (0.891).When the annotation ratio was increased to 10%, the average DSC further improved to 0.801, consistently surpassing all comparative methods.Ablation studies confirmed the effectiveness of each key module.This study provides an efficient and robust solution for automatic segmentation of medical images in low-resource scenarios, offering promising potential for real-world clinical applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».