ContinusSeg: Boundary-Awarding Multi-Targo Testing for Semic-Supervided 3D Сегментация медицинских изображений с ограниченными немаркированными данными
arXiv:2505.09829v2 Annuates Type: заменить резюме: дефицит данных является основным узким местом в 3D сегментации медицинских изображений: аннотация уровня воксель дорога, и правила конфиденциальности часто серьезно ограничивают доступ к неаннотированным клиническим объемам. В то время как полууправляемое обучение (УУО) направлено на облегчение бремени аннотации, существующие парадигмы косвенно опираются на крупные пулы немаркированных данных (долл. США), по сравнению с маркировочными данными (доллары США), исходя из предположения о том, что U gg L$ для фильтрования шума и обеспечения согласованности. Когда речь идет только о режиме ограничения данных, когда немаркированные данные ограничены (U le L$), стандартные методы SSL страдают от серьезной псевдо-звездной дегенерации, ухудшения характеристик и высокой дисперсии между семенными семенами. В этой работе мы предлагаем " KainSeg &qt; - единую многозадачную полуподконтрольную систему, специально предназначенную для ограниченного режима немаркированных данных (U le L$). CainSeg формулирует объемную сегментацию как совместную задачу обучения, которая предсказывает геометрию всей организации наряду со вспомогательным o
