Семинары ИМ СО РАН

В настоящее время широко используются сверточные нейронные сети (CNN) для многоклассовой сегментации медицинских изображений. Особенно это касается моделей с несколькими выходными данными, которые могут отдельно предсказывать классы сегментации (регионы), не полагаясь на вероятностную формулировку сегментации регионов.

Однако для реализации этих методов требуется большое количество высококачественных маркированных данных. Получение точных меток для интересующих областей может быть дорогостоящим и трудоемким процессом, особенно для 3D-данных. Методы полу-контролируемого обучения позволяют обучать модели, используя как помеченные, так и данные без разметки, что является многообещающим подходом для решения проблемы получения точных меток.

В данной работе представлен метод полу-контролируемого обучения для моделей с несколькими выходными данными. Метод основан на дополнительных поворотах и отражениях и не предполагает вероятностного характера ответов модели. Это делает его универсальным подходом, что особенно важно для архитектур, предполагающих раздельную сегментацию.