通过少标签半监督学习提升巩膜分割性能

巩膜分割对于开发自动眼部相关医学计算机辅助诊断系统以及个人身份识别与验证至关重要，因为巩膜包含独特的个人特征。与依赖手工特征的传统方法相比，基于深度学习的巩膜分割取得了显著成功，主要在于它能够自主提取与输出相关的关键特征，而无需考虑潜在的物理约束。然而，由于高质量、全标注数据集依赖于昂贵的、劳动密集型的医学数据采集和专业知识，使用这些方法实现准确的巩膜分割具有挑战性。为了应对这一挑战，本文引入了一种在有限标注样本下表现优异的新型巩膜分割框架。具体而言，我们采用了一种半监督学习方法，该方法结合了领域特定改进和基于图像的空间变换以增强分割性能。此外，我们开发了一个真实世界的眼部诊断数据集以丰富评估过程。在我们的数据集和另外两个公开数据集上的大量实验证明了所提方法的有效性和优越性，尤其是在标注样本显著更少的情况下。