混合域半监督医学图像分割中中间域的构建与探索
计算机视觉与模式识别
2024-08-19 v1 机器学习
摘要
有限标注和域偏移是医学图像分割中普遍存在的挑战。传统的半监督分割和无监督域自适应方法分别解决这两个问题之一。然而，有限标注和域偏移的共存现象相当常见，这促使我们引入一个新颖且具有挑战性的场景：混合域半监督医学图像分割（MiDSS）。在此场景中，我们处理来自多个医疗中心的数据，其中单个域仅有有限的标注，而来自多个域的大量数据则无标注。我们发现，解决该问题的关键在于如何在存在域偏移的情况下，利用有标注数据为无标注数据生成可靠的伪标签。为解决此问题，我们在图像间采用统一复制-粘贴（UCP）来构建中间域，促进知识从有标注数据域向无标注数据域的迁移。为充分利用中间域内的信息，我们提出了一种对称引导训练策略（SymGD），该策略通过合并来自中间样本的伪标签，为无标注数据提供直接引导。随后，我们引入了训练过程感知的随机振幅混合（TP-RAM），以逐步将风格转换成分融入中间样本。与现有的最先进方法相比，我们的方法在三个公开数据集上验证，在前列腺数据集上的Dice分数显著提升了13.57%。我们的代码可在https://github.com/MQinghe/MiDSS获取。
引用
@article{arxiv.2404.08951,
title = {Constructing and Exploring Intermediate Domains in Mixed Domain Semi-supervised Medical Image Segmentation},
author = {Qinghe Ma and Jian Zhang and Lei Qi and Qian Yu and Yinghuan Shi and Yang Gao},
journal= {arXiv preprint arXiv:2404.08951},
year = {2024}
}