一种用于 3D 心脏 MRI 图像分割中即席不确定性估计的多任务跨任务学习架构
图像与视频处理
2021-10-05 v3 计算机视觉与模式识别
机器学习
摘要
得益于深度学习架构，医学图像分割已显著受益。此外，半监督学习（SSL）近期成为一种日益增长的趋势，通过利用大量无标签数据来提升模型整体性能。而且，在同一模型中学习多个任务可进一步提升模型泛化性。为从 3D 心脏 MR 图像生成更平滑且准确的分割掩膜，我们提出一种多任务跨任务学习一致性方法，以强化像素级（分割）与几何级（距离图）任务间的相关性。我们在训练集中使用不同数量标签数据的大量实验，证明了我们的模型在钆增强磁共振（GE-MR）图像左心房腔分割中的有效性。通过引入不确定性估计以检测 CNN 生成分割掩膜的失败，我们的研究进一步展示了模型标记给定模型低质量分割的潜力。
引用
@article{arxiv.2109.07702,
title = {A Multi-Task Cross-Task Learning Architecture for Ad-hoc Uncertainty Estimation in 3D Cardiac MRI Image Segmentation},
author = {S. M. Kamrul Hasan and Cristian A. Linte},
journal= {arXiv preprint arXiv:2109.07702},
year = {2021}
}
备注
Accepted to 2021 Computing in Cardiology (CinC); Code is available at https://github.com/SMKamrulHasan/MTCTL