一致性引导的元学习用于自举半监督医学图像分割
计算机视觉与模式识别
2023-07-24 v1
摘要
医学成像取得了显著进展，但通常需大量高质量标注数据，而获取这些数据耗时且昂贵。为减轻此负担，半监督学习作为一种潜在解决方案受到关注。在本文中，我们提出用于自举医学图像分割的元学习（MLB-Seg），一种应对半监督医学图像分割挑战的新方法。具体而言，我们的方法首先在一小组干净标注图像上训练分割模型，为无标注数据生成初始标签。为进一步优化此自举过程，我们引入逐像素权重映射系统，动态地为初始标签与模型自身预测分配权重。这些权重由元过程确定，该过程基于一小部分精确标注图像，优先选择损失梯度方向更接近干净数据的像素。为促进元学习过程，我们额外引入基于一致性的伪标签增强（PLE）方案，通过对同一输入的各种增强版本预测进行集成来提升模型自身预测的质量。为改善通过对单输入多次增强获得的权重图质量，我们在 PLE 方案中引入 mean teacher。该方法有助于降低权重图中的噪声并稳定其生成过程。我们在公开心房与前列腺分割数据集上的大量实验结果表明，我们所提方法在半监督下取得了 SOTA 结果。我们的代码见 https://github.com/aijinrjinr/MLB-Seg。
引用
@article{arxiv.2307.11604,
title = {Consistency-guided Meta-Learning for Bootstrapping Semi-Supervised Medical Image Segmentation},
author = {Qingyue Wei and Lequan Yu and Xianhang Li and Wei Shao and Cihang Xie and Lei Xing and Yuyin Zhou},
journal= {arXiv preprint arXiv:2307.11604},
year = {2023}
}
备注
Accepted to MICCAI 2023. Code is publicly available at https://github.com/aijinrjinr/MLB-Seg