自生成知识融合网络

少样本精准分割

不需要大量标注数据，分割心脏超声图像即可达到全监督性能。

Yu, Chengjin · Shuang, Li · Ghista, Dhanjoo N. · 高智凡 · Heye, Zhang · Ser, J. Del · 徐琳

Information Fusion 2023

技术优势

标注需求大幅降低

通过自监督预训练从原始超声数据中挖掘知识，下游分割任务只需少量标注即可达到全监督性能。

多层次信息利用

通过超像素方法获取超声图像中解剖子结构的多层次信息，分割时能利用不同尺度的结构线索。

多类型知识融合

融合多种预训练任务生成的不同类型信息，使学到的表示更全面，迁移到下游任务时更有效。

应用场景

• 医学图像分割：用极少标注即可训练出高性能分割模型，减少医生标注工作量。
• 超声影像分析：专为心脏超声设计，能利用多层次结构信息提升分割准确性。
• 自监督学习：在无标注数据上预训练，降低对大量标注的依赖。