Оптимальное транспортное измерение обучения для согласования характеристик в частично контролируемой сегментации

arXiv:2609.19176v1 Annualce Type: cross Brieft: Multi-organ spartation часто оспаривается частично аннотированными наборами данных и сдвигами в доменах между различными источниками изображений. Для устранения этих ограничений мы предлагаем двухэтапную систему обучения, которая эффективно использует частичный надзор. На первом этапе модель извлекает уроки из имеющихся аннотаций для подготовки точных сегментаций аннотированных органов, создавая надежные функциональные представления. На втором этапе мы введем обучаемые прототипы органов и триплуатную потерю Синхорна, чтобы обеспечить последовательность функций органа между наборами данных. Это побуждает к тому, чтобы латентные привязки одного и того же органа оставались близкими друг другу при одновременном усилении разделения между различными органами даже в тех случаях, когда отсутствуют аннотации. Наш подход позволяет достичь эффективности, сопоставимой с современными методами на базе данных БТСВ, но при этом сохранять вычислительную эффективность. Путем четкого согласования распределения характеристик, а не исключительно на основе псевдомаркировки