面向类不平衡弱监督膝关节分割的标签分布校准
计算机视觉与模式识别
2022-05-10 v1
摘要
3D 膝关节 MR 图像分割对骨关节炎评估十分重要。与其他医学数据一样，膝关节 MR 图像的体数据级标注需要专业知识且耗时；因此半监督学习 (SSL)，尤其是弱监督学习，在标注数据不足时训练极具价值。我们观察到膝关节 MR 图像中类不平衡问题严重，因为软骨仅占前景体素的 6%，且在缺乏充足标注数据时情况更糟。为解决上述问题，我们提出一种处理含噪声且不平衡标签的弱监督膝关节分割新框架。我们的框架利用标签分布促使网络更着力于学习软骨部分。具体而言，我们利用 1.) 标签数量分布将目标损失函数修改为类感知加权形式，以及 2.) 标签位置分布构建裁剪概率掩码，从有标注和无标注输入中裁剪更多软骨区域子体素。此外，我们设计双重不确定性感知采样监督以增强对低置信度类别的监督，实现高效无监督学习。实验表明，我们提出的框架通过利用无标注数据并缓解类不平衡问题带来了显著提升。更重要的是，我们的方法优于 SOTA SSL 方法，展示了该框架在更具挑战性 SSL 设定下的潜力。
引用
@article{arxiv.2205.03644,
title = {Calibrating Label Distribution for Class-Imbalanced Barely-Supervised Knee Segmentation},
author = {Yiqun Lin and Huifeng Yao and Zezhong Li and Guoyan Zheng and Xiaomeng Li},
journal= {arXiv preprint arXiv:2205.03644},
year = {2022}
}
备注
Provisionally accepted to MICCAI 2022; 10 pages, 3 figures