论文阅读记录 ｜Uncertainty-informed Mutual Learning for JointMedical Image Classification and Segmentation

论文链接：https://link.springer.com/chapter/10.1007/978-3-031-43901-8_4

代码链接：https://github.com/KarryRen/UML

• Abstract

  • 背景：  分类和分割在医学图像分析中至关重要，因为它们能够实现准确的诊断和疾病监测。

  • 局限性：

    • 现有方法通常优先考虑特征的相互学习和模型参数的共享，而忽略了特征和性能的可靠性。

    • 现有的基于不确定性估计的方法只关注医学图像分类或分割中的不确定性，并未考虑像素级和图像级的不确定性如何帮助提高相互学习的性能和可靠性。

  • 本文贡献：

    • 提出不确定性知情互学习 (UML) 框架：

      • 用于可靠和可解释的医学图像分析。

      • 引入联合分类和分割任务的可靠性，通过具有不确定性的相互学习来提高性能。

    • 使用证据<