以全局与局部互信息正则化提升半监督图像分割
计算机视觉与模式识别
2021-06-25 v2
摘要
标注数据的稀缺常阻碍深度学习在医学图像分割中的应用。半监督学习试图通过在学习过程中利用无标注样本来克服此限制。本文中，我们提出一种新颖的半监督分割方法，其利用类别分布上的互信息（MI）以实现全局表示不变性与局部平滑性。该方法中，我们最大化从分割网络的编码器与解码器取得的中间特征嵌入的 MI。我们首先提出一个全局 MI 损失，约束编码器学习对几何变换不变的图像表示。不同于求助于计算昂贵的连续特征嵌入上 MI 估计技术，我们使用投影头将其映射到离散簇分配，从而可高效计算 MI。我们的方法还包括一个局部 MI 损失以促进解码器特征图中的空间一致性并提供更平滑的分割。由于互信息不要求两个不同分配中簇的严格排序，我们加入一个作用于输出的最终一致性正则化损失，有助于在整个网络中对齐簇标签。我们在四个具挑战性的公开医学图像分割数据集上评估该方法。实验结果显示我们的方法优于近期提出的半监督分割方法，并在以极少标注图像训练时提供接近全监督的精度。
引用
@article{arxiv.2103.04813,
title = {Boosting Semi-supervised Image Segmentation with Global and Local Mutual Information Regularization},
author = {Jizong Peng and Marco Pedersoli and Christian Desrosiers},
journal= {arXiv preprint arXiv:2103.04813},
year = {2021}
}