UA-UNet: Uncertainty Aware Pseudo-Label Generation in Residual U-Net for Medical Image Segmentation
Notice bibliographique
Résumé
Medical image segmentation is crucial for accurate diagnosis and treatment planning. Most segmentation models are developed through supervised learning, which requires access to large amounts of annotated data. However, acquiring such datasets is often expensive and time-consuming. Semi-supervised learning (SSL) approaches alleviate this challenge by leveraging both labeled and unlabeled data to improve model performance. While SSL methods have achieved promising results, they still have some limitations. Predictions made by these methods disregard the model uncertainty, leading to unreliable predictions. The predictions made by these models are often affected by the noise introduced during the SSL process. Additionally, these models fail to adapt well to complex medical images and are unable to scale well in out-of-domain samples. To address these limitations, we propose UA-UNet, an uncertainty-guided teacher-student model architecture built on top of the Residual U-Net for multi-class medical image segmentation. The model incorporates uncertainty estimation, which guides the generation of high-quality pseudo-labels from an ensemble of teacher models. By combining consistency regularization and pseudo-labeling, our method effectively reduces the influence of high-uncertainty regions while enhancing segmentation accuracy. We compared the model with 10 other methods on the 2023 Kidney Tumor Segmentation Challenge dataset (KiTS23). The proposed approach outperformed state-of-the-art models with a Dice score of 0.901 and IoU of 0.891. The proposed model also provides uncertainty maps, which could enhance the interpretability of the segmentation result. These features make UA-UNet a robust method for semi-supervised segmentation in medical imaging, particularly when labeled data is scarce.
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 ».