COSST：利用综合监督与自训练在部分标注数据集上进行多器官分割
计算机视觉与模式识别
2023-11-03 v3
摘要
深度学习模型在多器官分割中取得了显著成功，但通常需要所有目标器官均被标注的大规模数据集。然而，医学图像数据集通常样本量较小且仅为部分标注，即仅标注了部分器官。因此，研究如何在可用的部分标注数据集上学习统一模型以发挥其协同潜力至关重要。在本文中，我们系统地研究了部分标签分割问题，并对先前技术进行了理论与经验分析。我们从部分标签监督信号的视角重新审视该问题，并识别出两个源自真实标签的信号和一个源自伪标签的信号。我们提出了一种名为 COSST 的新型两阶段框架，该框架有效且高效地将综合监督信号与自训练相结合。具体而言，我们首先使用两个基于真实标签的信号训练一个初始统一模型，然后通过自训练将伪标签信号迭代地纳入初始模型。为减轻不可靠伪标签导致的性能下降，我们通过潜在空间中的异常值检测来评估伪标签的可靠性，并在每次自训练迭代中排除最不可靠的伪标签。我们在 1 个公开和 3 个私有的部分标签分割任务（涵盖 12 个 CT 数据集）上进行了大量实验。实验结果表明，我们提出的 COSST 相比基线方法（即在每个部分标注数据集上单独训练的独立网络）取得了显著提升。与最先进的部分标签分割方法相比，COSST 在各种分割任务和不同训练数据规模下均展现出一致且优越的性能。
引用
@article{arxiv.2304.14030,
title = {COSST: Multi-organ Segmentation with Partially Labeled Datasets Using Comprehensive Supervisions and Self-training},
author = {Han Liu and Zhoubing Xu and Riqiang Gao and Hao Li and Jianing Wang and Guillaume Chabin and Ipek Oguz and Sasa Grbic},
journal= {arXiv preprint arXiv:2304.14030},
year = {2023}
}