竞争致胜：增强极少监督医学图像分割中的伪标签
计算机视觉与模式识别
2023-08-01 v2
摘要
本研究探讨极少监督医学图像分割，其中仅有少量标注数据（即个位数病例）可用。我们观察到现有最先进的半监督方案交叉伪监督的关键局限是前景类的精度不理想，导致在极少监督学习下结果退化。在本文中，我们提出一种新颖的竞争致胜方法（ComWin）以增强伪标签质量。不同于直接使用一个模型的预测作为伪标签，我们的核心思想是高质量伪标签应通过比较不同网络生成的多个置信度图来选取最置信的一个（竞争致胜策略）。为了进一步细化近边界区域的伪标签，通过集成边界感知增强模块，提出了 ComWin 的增强版本即 ComWin+。实验表明，我们的方法在三个公开医学图像数据集上分别针对心脏结构分割、胰腺分割和结肠肿瘤分割取得了最佳性能。源代码现已发布于 https://github.com/Huiimin5/comwin。
引用
@article{arxiv.2304.07519,
title = {Compete to Win: Enhancing Pseudo Labels for Barely-supervised Medical Image Segmentation},
author = {Huimin Wu and Xiaomeng Li and Yiqun Lin and Kwang-Ting Cheng},
journal= {arXiv preprint arXiv:2304.07519},
year = {2023}
}
备注
Accepted by TMI (in IEEE Transactions on Neural Networks and Learning Systems). Code available at https://github.com/Huiimin5/comwin