跳到正文
原文
arXiv · Image and Video Processing· Heeseung Shin, Changwon Lim
· 22 小时前

AIstatLab 在 BraTS-GoAT 2026 任务 3:质量控制共识伪标签与密集专家适配

AIstatLab at BraTS-GoAT 2026 Task 3: Quality-Controlled Consensus Pseudo-Labeling and Dense Expert Adaptation

预印本 · 尚未经过同行评审

AI 导读

AIstatLab 用质量控制共识伪标签训练 3D ResidualEncoderUNet,验证集平均 DSC 0.834。

摘要 · AI 翻译

BraTS-GoAT 任务 3 使用共享的 ET、TC 和 WT 区域评估跨异质实体的脑肿瘤分割。我们提出了一种 3D ResidualEncoderUNet,采用经过质量控制的一致性伪标签、仅在训练中使用的嵌套区域目标,以及四专家瓶颈适配器进行训练。五折 ResEnc-M/L 教师模型为 1,138 个未标注病例生成了预测;经融合、层级约束以及置信度与一致性筛选,保留 983 例与 1,351 例标注病例共同用于训练。最终的五折 ResEnc-M 参赛方案在验证服务器上取得平均 DSC 0.834、平均 NSD 0.510 和 Acalc = 0.6720。各组件效应不大且因区域而异,其中在 ET 上的提升最为明显。源代码见 https://github.com/HeeSeung-Shin/Brats2026-Goat-HS。

中文由 AI 翻译,仅供参考,以原文为准。

来源:arXiv · Image and Video Processing · arxiv.org

相关事件

PsyBrain 脑心前沿

让每一位脑科学探索者,都不再独行。