相关性感知互学习用于半监督医学图像分割
计算机视觉与模式识别
2023-07-13 v1
摘要
半监督学习因能够利用大量无标签数据提取额外信息，在医学图像分割中变得越来越流行。然而，大多数现有的半监督分割方法仅关注从无标签数据中提取信息，忽视了有标签数据进一步提升模型性能的潜力。在本文中，我们提出了一种新颖的相关性感知互学习（CAML）框架，该框架利用有标签数据来引导从无标签数据中提取信息。我们的方法基于一种互学习策略，该策略包含两个模块：跨样本互注意力模块（CMA）与全相关性一致性模块（OCC）。CMA模块在一组样本间建立密集的跨样本相关性，实现标签先验知识向无标签数据的迁移。OCC模块在无标签与有标签数据集之间构建全相关性，并通过约束每个子模型的全相关性矩阵保持一致来正则化双模型。在心房分割挑战数据集上的实验表明，我们提出的方法优于最先进的方法，凸显了我们的框架在医学图像分割任务中的有效性。代码、预训练权重与数据已公开可用。
引用
@article{arxiv.2307.06312,
title = {Correlation-Aware Mutual Learning for Semi-supervised Medical Image Segmentation},
author = {Shengbo Gao and Ziji Zhang and Jiechao Ma and Zihao Li and Shu Zhang},
journal= {arXiv preprint arXiv:2307.06312},
year = {2023}
}
备注
MICCAI2023 early accepted, camera ready version