面向半监督图像分割的解剖结构感知不确定性

半监督学习通过利用无标签数据，缓解了对图像分割大规模像素级标注数据集的需求。利用无标签数据的一种主要方式是对模型预测进行正则化。由于无标签数据的预测可能不可靠，通常采用不确定性感知方案来逐步从有意义且可靠的预测中学习。然而，不确定性估计方法依赖于模型预测的多次推断，且必须在每个训练步计算，计算开销大。此外，这些不确定性图捕捉像素级差异，未考虑全局信息。本文提出一种新方法，通过利用分割掩码中的全局信息来估计分割不确定性。更确切地说，首先学习一个解剖结构感知的表示来建模已有的分割掩码。随后，学习到的表示将新分割的预测映射为解剖学上合理的分割。与合理分割的偏离有助于估计潜在的像素级不确定性，以进一步引导分割网络。所提方法因此仅需从我们的表示中进行单次推断即可估计不确定性，从而降低总计算量。我们在两个公开可用的分割数据集上评估了该方法：心脏MRI中的左心房以及腹部CT中的多器官。我们的解剖结构感知方法在两种常用评估指标上均优于最先进的半监督方法。