Behandlung von Klassenungleichgewicht bei semi-supervised Bildsegmentierung: Eine Studie zu kardialen MRT-Bildern

Aufgrund unbalancierter und begrenzter Daten erzielen semi-supervised Methoden zur medizinischen Bildsegmentierung häufig keine überlegene Leistung für bestimmte seltene Klassen. Eine unzureichende Ausbildung dieser spezifischen Klassen kann zu einer erhöhten Rauschbelastung bei den generierten Pseudolabels führen, was die Gesamtleistung des Lernprozesses beeinträchtigt. Um diese Schwäche zu mildern und die unterdurchschnittlich abschneidenden Klassen zu identifizieren, schlagen wir vor, während des Trainings ein Vertrauensarray zu pflegen, das die klassenspezifische Leistung verfolgt. Wir stellen eine unscharfe Fusion dieser Vertrauenswerte vor, um die individuellen Vertrauensmetriken pro Beispiel adaptiv zu gewichten, anstatt traditionelle Ensembles zu verwenden, bei denen für alle Testfälle vordefinierte, feste Gewichte zugewiesen werden. Zudem führen wir eine robuste klassenspezifische Stichprobenziehung und eine dynamische Stabilisierung ein, um eine verbesserte Trainingsstrategie zu ermöglichen. Unser vorgeschlagener Ansatz berücksichtigt alle unterdurchschnittlich performenden Klassen mit dynamischer Gewichtung und strebt an, während des Trainings den größten Teil des Rauschens zu eliminieren. Bei der Evaluierung an zwei kardialen MRT-Datensätzen, ACDC und MMWHS, zeigt unsere Methode Wirksamkeit und Generalisierbarkeit und übertrifft mehrere state-of-the-art-Methoden aus der Literatur.