DHC：面向类别不平衡半监督医学图像分割的双重去偏异构协同训练框架
图像与视频处理
2023-07-25 v1 计算机视觉与模式识别
机器学习
摘要
三维医学图像的体积级标注需要专业知识且耗时，因此半监督学习（SSL）在有限标注数据训练中具有高度需求。类别分布不平衡是制约这些方法实际应用的一个严峻问题，但此前鲜有研究解决。为解决此问题，我们提出了一种新颖的用于半监督三维医学图像分割的双重去偏异构协同训练（DHC）框架。具体而言，我们提出了两种损失加权策略，即分布感知去偏加权（DistDW）与难度感知去偏加权（DiffDW），其动态利用伪标签引导模型解决数据与学习偏差。该框架通过协同训练这两个多样且准确的子模型得到显著提升。我们还引入了更具代表性的类别不平衡半监督医学图像分割基准，可充分展示类别不平衡设计的有效性。实验表明，我们提出的框架通过利用伪标签去偏并缓解类别不平衡问题带来了显著改进。更重要的是，我们的方法优于最先进的SSL方法，展示了我们的框架在更具挑战性的SSL设定下的潜力。代码与模型发布于：https://github.com/xmed-lab/DHC。
引用
@article{arxiv.2307.11960,
title = {DHC: Dual-debiased Heterogeneous Co-training Framework for Class-imbalanced Semi-supervised Medical Image Segmentation},
author = {Haonan Wang and Xiaomeng Li},
journal= {arXiv preprint arXiv:2307.11960},
year = {2023}
}
备注
Accepted at MICCAI2023