Semi-URF: Progressive Uncertainty-Aware Region Filtering and Fusion for Semi-Supervised Medical Image Segmentation.
- Segmentation d'images médicales
- Apprentissage semi-supervisé
- Gestion de l'incertitude
L'article est un abstract_only, sans données cliniques directes ni résultats sur des populations patients.
Absence de données cliniques spécifiques Focalisation technique sur les performances algorithmiques Non mention de cas d'usage concrets en milieu hospitalier
Contexte : La segmentation d'images médicales par apprentissage semi-supervisé est souvent limitée par une approche conservatrice vis-à-vis des données non étiquetées, où les régions incertaines (comme les structures complexes ou les limites ambiguës) sont généralement rejetées pour garantir la qualité des pseudo-étiquettes. Cela réduit la capacité du modèle à apprendre des zones critiques pour la précision clinique. Objectif : Proposer Semi-URF, un cadre innovant qui exploite progressivement l'incertitude comme signal superviseur pour améliorer l'apprentissage à partir des données non étiquetées. Méthode : Le cadre inclut trois innovations : 1) UDAT (Uncertainty Distribution Adaptive Thresholding), qui sépare les régions fiables des incertaines en suivant la distribution d'incertitude du modèle ; 2) BUCE (Bidirectional Uncertainty-Consistent Exchange), qui échange des patches entre données étiquetées et non étiquetées sous contrainte de cohérence sémantique ; 3) FEFF (Frequency-Enhanced Feature Fusion), qui utilise des transformées en ondelettes et de l'attention croisée pour améliorer la perception des détails de limite à haute fréquence. Résultats : Les expériences montrent que Semi-URF dépasse les méthodes d'état de l'art, notamment en cas de données annotées limitées. Il réduit la dépendance aux annotations coûteuses des experts. Intérêt clinique : Cette approche pourrait faciliter le développement de modèles d'IA plus efficaces et économiques pour des applications cliniques, en optimisant l'utilisation des données non annotées. Limites : L'analyse repose sur l'abstract uniquement ; les applications cliniques spécifiques ou les résultats sur des cas patients ne sont pas mentionnés.
Segmentation d'images médicales Apprentissage semi-supervisé Gestion de l'incertitude Fusion de caractéristiques Réduction des annotations expertes
Amélioration de la précision en imagerie médicale Réduction des coûts liés à l'annotation manuelle Potentiel pour des applications en imagerie neurologique ou oncologique
Preprint