用于半监督医学图像分割的证据增强三分支一致性学习方法
计算机视觉与模式识别
2024-04-11 v1
摘要
半监督分割为大规模医学图像分析提供了一种极具前景的方法，在有效减少标注负担的同时实现了可比的性能。该方法具有巨大的潜力，可简化分割过程并增强其在临床环境中转化研究的可行性。虽然基于不同协同训练子网络的交叉监督训练已成为该任务的主流范式，但解决预测分歧和标签噪声抑制等关键问题仍需进一步关注并推动交叉监督训练的进展。在本文中，我们引入了一种用于半监督医学图像分割的证据三分支一致性学习框架。ETC-Net 采用三个分支：证据保守分支、证据渐进分支和证据融合分支。前两个分支表现出互补特性，使其能够解决预测多样性并增强训练稳定性。我们还将证据学习中的不确定性估计整合到交叉监督训练中，以减轻错误监督信号的负面影响。此外，证据融合分支利用前两个分支的互补属性，并采用基于证据的 Dempster-Shafer 融合策略，由未标记数据的更可靠和准确的伪标签进行监督。在 LA、Pancreas-CT 和 ACDC 数据集上进行的大量实验表明，ETC-Net 优于其他用于半监督分割的最先进方法。代码将在近期于 https://github.com/Medsemiseg 公开发布。
引用
@article{arxiv.2404.07032,
title = {An Evidential-enhanced Tri-Branch Consistency Learning Method for Semi-supervised Medical Image Segmentation},
author = {Zhenxi Zhang and Heng Zhou and Xiaoran Shi and Ran Ran and Chunna Tian and Feng Zhou},
journal= {arXiv preprint arXiv:2404.07032},
year = {2024}
}