基于误差反思的半监督心尿膜分割方法

分割心尿膜内部结构对于诊断和治疗各种心脏疾病至关重要。半监督学习在缓解标注稀缺问题方面发挥着重要作用。虽然已有半监督方法在各种医学影像模态上取得了成功，但鲜有方法专门针对心尿膜的低对比度、模糊边缘细节和噪声等挑战性特征进行设计。这些特征为基于Mean Teacher的半监督分割生成高质量伪标签带来了挑战。启发于人类对错误实践的反思，我们设计了一种针对心尿膜半监督分割架构的误差反思策略。该过程触发模型对不准确的分割不准确性进行反思，从而增强了伪标签生成的鲁棒性。具体而言，该策略分为两个步骤。第一个步骤称为重建反思。网络被要求从未标记图像的语义掩码及其辅助草图中重建真实的代理图像，同时最大化原始输入与代理图像之间的结构相似性。第二个步骤称为引导纠正。重建误差图解耦不可靠的分割区域。然后，利用更可能位于高密度区域的可靠数据来指导潜在位于决策边界附近的不可靠数据进行优化。此外，我们引入一种有效的数据增强策略，称为多尺度混合up策略，以最小化标记图像与未标记图像之间的经验分布差异，并感知心脏解剖结构的多种尺度。大量实验表明，所提出的方法具有竞争力。