结合自训练与混合架构的半监督腹部器官分割
计算机视觉与模式识别
2022-10-19 v4
摘要
腹部器官分割具有许多重要的临床应用，例如器官量化、手术规划和疾病诊断。然而，从 CT 扫描中手动标注器官耗时且费力。半监督学习已展现出通过从大量无标注图像和有限标注样本中学习来缓解这一挑战的潜力。在本工作中，我们遵循自训练策略，并采用由 CNN 和 Swin Transformer 组成的高性能混合架构（PHTrans）作为教师模型，为无标注数据生成精确的伪标签。随后，我们将这些伪标签与标注数据一同引入一个以轻量版 PHTrans 为骨干的两阶段分割框架中进行训练，以提升模型的性能与泛化能力，同时保持高效。在 FLARE2022 验证集上的实验表明，我们的方法实现了优异的分割性能以及快速且低资源的模型推理。平均 DSC 和 NSD 分别为 0.8956 和 0.9316。在我们的开发环境下，平均推理时间为 18.62 s，平均最大 GPU 显存为 1995.04 MB，GPU 显存-时间曲线下面积与 CPU 利用率-时间曲线下平均面积分别为 23196.84 和 319.67。代码已发布于 https://github.com/lseventeen/FLARE22-TwoStagePHTrans。
引用
@article{arxiv.2207.11512,
title = {Combining Self-Training and Hybrid Architecture for Semi-supervised Abdominal Organ Segmentation},
author = {Wentao Liu and Weijin Xu and Songlin Yan and Lemeng Wang and Haoyuan Li and Huihua Yang},
journal= {arXiv preprint arXiv:2207.11512},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2203.04568