面向标注高效体积磁共振图像分割的协作学习
图像与视频处理
2023-12-19 v1 计算机视觉与模式识别
摘要
背景：当提供足够的标注数据用于网络优化时，深度学习在精确的磁共振（MR）图像分割中展现出巨大潜力。然而，手动标注三维 MR 图像繁琐且耗时，需要具有丰富领域知识和经验的专家。目的：构建一种探索稀疏标注的深度学习方法，即每个用于训练的三维 MR 图像仅有一个二维切片标签。研究对象：来自两个公开数据集的 150 名受试者的三维 MR 图像被纳入研究。其中，50 名（1,377 个图像切片）用于前列腺分割。另外 100 名（8,800 个图像切片）用于左心房分割。利用第一个数据集进行了五折交叉验证实验。对于第二个数据集，80 名受试者用于训练，20 名用于测试。评估：开发了一种融合半监督和自监督学习方案优势的协作学习方法。该方法使用有标注的中心切片和无标注的非中心切片进行训练。定量和定性地报告了测试集上的分割性能。结果：与 FS-LCS、MT、UA-MT、DCT-Seg、ICT 和 AC-MT 相比，所提出的方法在分割精度上取得了实质性提升，前列腺分割的平均 B-IoU 显著提高了 10.0% 以上（所提方法 B-IoU: 70.3% vs. ICT B-IoU: 60.3%），左心房分割的平均 B-IoU 提高了 6.0% 以上（所提方法 B-IoU: 66.1% vs. ICT B-IoU: 60.1%）。
引用
@article{arxiv.2312.10978,
title = {Collaborative Learning for Annotation-Efficient Volumetric MR Image Segmentation},
author = {Yousuf Babiker M. Osman and Cheng Li and Weijian Huang and Shanshan Wang},
journal= {arXiv preprint arXiv:2312.10978},
year = {2023}
}
备注
Paper accepted by Journal of Magnetic Resonance Imaging