全方位真实标签监督：用于半监督医学图像分割的循环原型一致性学习
图像与视频处理
2022-03-16 v2 计算机视觉与模式识别
摘要
半监督学习极大地推进了医学图像分割，因为它减轻了获取昂贵的专家审查标注的沉重负担。特别是，基于一致性的方法因其卓越的性能而引起了更多关注，其中真实标签仅通过监督损失用于监督其配对图像，而未标记图像则通过强制执行基于扰动的“无监督”一致性来利用，而没有来自这些真实标签的显式指导。然而，直观地说，专家审查的真实标签包含更可靠的监督信号。观察到这一点，我们提出了一个未探索但有趣的问题：我们能否通过显式真实标签监督来利用未标记数据进行半监督训练？为此，我们摒弃了以前基于扰动的一致性，但吸收了非参数原型学习的精髓。基于原型网络，我们随后提出了一种新颖的循环原型一致性学习 (CPCL) 框架，该框架由标记到未标记 (L2U) 的原型前向过程和未标记到标记 (U2L) 的后向过程构建。这两个过程协同地通过鼓励更具判别性和紧凑的特征来增强分割网络。这样，我们的框架将以前的“无监督”一致性转变为新的“有监督”一致性，获得了我们方法的“全方位真实标签监督”特性。在 MRI 脑肿瘤分割和 CT 图像肾脏分割上的大量实验表明，我们的 CPCL 可以有效地利用未标记数据，并优于其他最先进的半监督医学图像分割方法。
引用
@article{arxiv.2109.13930,
title = {All-Around Real Label Supervision: Cyclic Prototype Consistency Learning for Semi-supervised Medical Image Segmentation},
author = {Zhe Xu and Yixin Wang and Donghuan Lu and Lequan Yu and Jiangpeng Yan and Jie Luo and Kai Ma and Yefeng Zheng and Raymond Kai-yu Tong},
journal= {arXiv preprint arXiv:2109.13930},
year = {2022}
}
备注
11 pages