MESCC

我们提出了一种名为BoostMIS的新颖的半监督学习 (SSL) 框架，该框架结合了自适应伪标记和信息主动注释，以释放医学图像SSL模型的潜力 :( 1) BoostMIS可以自适应地利用聚类假设和未标记数据的一致性正则化根据当前的学习状态。该策略可以自适应地生成从任务模型预测转换而来的one-hot “硬” 标签，以进行更好的任务模型训练。(2) 对于置信度低的未选择的未标记图像，我们引入了主动学习 (AL) 算法，通过利用虚拟对抗扰动和模型的密度感知熵来找到信息样本作为注释候选。这些信息丰富的候选人随后被送入下一个培训周期，以更好地传播SSL标签。值得注意的是，自适应伪标记和信息性主动注释形成了一个学习闭环，该闭环相互协作以增强医学图像SSL。为了验证所提出方法的有效性，我们收集了一个转移性硬膜外脊髓压迫 (MESCC) 数据集，旨在优化MESCC的诊断和分类，以改善专科转诊和治疗。我们在MESCC数据集上对BoostMIS进行了广泛的实验研究。实验结果通过对各种最新方法的显着改进，验证了我们框架的有效性。

搜集汇总

背景与挑战

背景概述

MESCC是一个转移性硬膜外脊髓压迫数据集，用于验证BoostMIS半监督学习框架在优化医学图像诊断和分类方面的有效性。该数据集支持自适应伪标记和信息主动注释方法的研究，以提升医学图像分析性能。