基于解剖感知对比蒸馏的半监督医学图像分割引导
计算机视觉与模式识别
2023-03-14 v4 人工智能
机器学习
图像与视频处理
摘要
对比学习在医学图像分割的标注稀缺问题中展现出巨大潜力。现有方法通常假设有标签与无标签医学图像的类别分布均衡。然而现实中的医学图像数据常存在不平衡（即多类标签不平衡），这自然导致轮廓模糊且通常错误标注稀有对象。此外，所有负样本是否同等为负仍不清楚。本工作中，我们提出 ACTION，一种用于半监督医学图像分割的解剖感知对比蒸馏（Anatomical-aware ConTrastive dIstillatiON）框架。具体而言，我们首先通过软标记负样本而非正负对之间的二元监督，开发了一种迭代对比蒸馏算法。与正样本相比，我们还从随机选择的负样本集中捕获更多语义相似特征，以强化采样数据的多样性。其次，我们提出一个更重要的问题：我们是否真的能处理不平衡样本以获得更好性能？因此，ACTION 的关键创新在于以极小额外内存占用学习整个数据集上的全局语义关系及相邻像素间的局部解剖特征。训练过程中，我们通过主动采样稀疏的难负像素集引入解剖对比，从而生成更平滑的分割边界与更精确的预测。在两个基准数据集及不同无标签设置下的大量实验表明，ACTION 显著优于当前最先进的半监督方法。
引用
@article{arxiv.2206.02307,
title = {Bootstrapping Semi-supervised Medical Image Segmentation with Anatomical-aware Contrastive Distillation},
author = {Chenyu You and Weicheng Dai and Yifei Min and Lawrence Staib and James S. Duncan},
journal= {arXiv preprint arXiv:2206.02307},
year = {2023}
}
备注
Accepted at Information Processing in Medical Imaging (IPMI 2023)