基于深度互学的部分标记数据集多器官分割

多器官分割标记是一个复杂且耗时的过程，导致综合标记的多器官数据集稀缺，而大量部分标记数据集涌现。现有方法未能有效利用这些数据集中可用的监督信息，从而限制了分割精度的提升。本文提出一种基于互学的两阶段多器官分割方法，旨在通过互补部分标记数据集间的信息来提高分割性能。在第一阶段，每个部分器官分割模型利用来自不同数据集的非重叠器官标签以及不同模型提取的独特器官特征，引入额外的互差学习，以生成更高质量的未标记器官的伪标签。在第二阶段，每个完整器官分割模型通过伪标签监督完全标记的数据集，同时利用来自其他数据集的真实标签，并动态在不同模型之间共享准确特征，引入额外的互均衡学习以提升多器官分割性能。在包括头颈、胸部、腹部和骨盆在内的九个数据集上进行了大量实验。结果表明，该方法在依赖部分标签的分割任务中实现了 SOTA 性能，消融研究充分确认了互学机制的有效性。