面向半监督医学图像分割的双向复制粘贴
计算机视觉与模式识别
2023-05-02 v1
摘要
在半监督医学图像分割中，标注数据与未标注数据分布之间存在经验性的失配问题。如果以分离或不一致的方式处理标注与未标注数据，从标注数据中学到的知识可能会被大量丢弃。我们提出了一种缓解该问题的直接方法——在简单的 Mean Teacher 架构中，对标注与未标注数据进行双向复制粘贴。该方法鼓励未标注数据从标注数据中在向内和向外两个方向上学习全面的共性语义。更重要的是，对标注与未标注数据的一致学习过程可以大幅缩小经验分布差距。具体而言，我们分别将标注图像（前景）中的随机裁剪复制粘贴到未标注图像（背景）上，以及将未标注图像（前景）复制粘贴到标注图像（背景）上。这两张混合图像被输入 Student 网络，并由伪标签与真实标签的混合监督信号所监督。我们揭示，标注与未标注数据之间双向复制粘贴这一简单机制已足够有效，实验表明，在多个半监督医学图像分割数据集上，相较于其他 SOTA 方法取得了显著的提升（例如，在仅使用 5% 标注数据的 ACDC 数据集上 Dice 提升超过 21%）。代码已发布于 https://github.com/DeepMed-Lab-ECNU/BCP。
引用
@article{arxiv.2305.00673,
title = {Bidirectional Copy-Paste for Semi-Supervised Medical Image Segmentation},
author = {Yunhao Bai and Duowen Chen and Qingli Li and Wei Shen and Yan Wang},
journal= {arXiv preprint arXiv:2305.00673},
year = {2023}
}
备注
8 pages, 6 figures. CVPR 2023