DLUNet：基于半监督学习的双轻量UNet多器官分割
图像与视频处理
2022-09-23 v1 计算机视觉与模式识别
摘要
腹部多器官的手动真值标注耗时费力。为充分利用CT数据，我们开发了基于半监督学习的双轻量UNet。在训练阶段，其由两个轻量UNet组成，通过基于一致性的学习同时充分利用有标签与无标签数据。此外，轻量UNet中引入了可分离卷积与残差连接以降低计算成本。进一步，采用了一种鲁棒分割损失以提升性能。在推理阶段，仅使用一个轻量UNet，其时间成本低且GPU内存占用少。该方法在验证集中的平均DSC为0.8718。代码见 https://github.com/laihaoran/Semi-SupervisednnUNet。
引用
@article{arxiv.2209.10984,
title = {DLUNet: Semi-supervised Learning based Dual-Light UNet for Multi-organ Segmentation},
author = {Haoran Lai and Tao Wang and Shuoling Zhou},
journal= {arXiv preprint arXiv:2209.10984},
year = {2022}
}
备注
13 page, 3 figures