医图顶刊 TMI'24 | 学习一个单一网络以实现对带有噪声标签的医学图像分割

主要观点总结

本文介绍了一种新颖的同步边缘对齐和记忆辅助学习（SEAMAL）框架，用于噪声标签鲁棒分割，适用于2D和3D分割，在Set-HQ-knowable和Set-HQ-agnostic场景中的应用。文章详细描述了方法的工作原理，包括记忆辅助选择和校正（MSC）模块、边缘检测分支（EDB）以及优化目标和自适应优化框架等。

关键观点总结

关键观点1: SEAMAL框架的提出

文章提出了一种新颖的同步边缘对齐和记忆辅助学习（SEAMAL）框架，用于噪声标签鲁棒分割。该框架实现了单一网络鲁棒学习，适用于2D和3D分割，在医学图像分割等领域具有广泛应用。

关键观点2: 记忆辅助选择和校正（MSC）模块

MSC模块利用预测历史一致性从单一模型的记忆库中区分出可靠和不可靠的标签，通过像素级选择和超像素级校正来提高模型的鲁棒性。

关键观点3: 边缘检测分支（EDB）

EDB通过边缘检测层显式学习边界，并通过细化损失提高边界的清晰度和精度。这一分支的引入有助于模型更好地利用边界处的形状相关信息，从而提高分割的准确性。

关键观点4: 实验验证

文章通过实验验证了SEAMAL框架的有效性，证明了其在噪声标签鲁棒分割任务中的优越性。此外，文章还介绍了CV基础入门班的相关内容，包括课程内容、授课形式、学习重点、课程价格、人数等方面的信息。