基于不确定性量化的双一致性半监督学习用于 CT 图像 COVID-19 病灶分割
图像与视频处理
2021-07-09 v2 计算机视觉与模式识别
摘要
以非典型肺炎为特征的新型冠状病毒病 2019(COVID-19)已在全球造成数百万人死亡。从胸部计算机断层扫描(CT)中自动分割病灶是辅助医生进行 COVID-19 筛查、治疗规划和随访监测的一种有前景的方法。然而,体素级标注极其依赖专家且稀缺,尤其对于新发疾病而言,而未标注数据可能大量可用。为应对标注有限的挑战,本文中我们提出了一种不确定性引导的双一致性学习网络(UDC-Net),用于 CT 图像的半监督 COVID-19 病灶分割。具体而言,我们提出了一种双一致性学习方案,同时施加图像变换等价性与特征扰动不变性,以有效利用未标注数据中的知识。随后我们以两种形式量化分割不确定性,并将其共同用于引导一致性正则化,以实现更可靠的无人监督学习。大量实验表明,我们提出的 UDC-Net 在 Dice 上比全监督方法提升 6.3%,并以显著优势优于其他竞争性半监督方法,展现出在真实世界临床实践中的高度潜力。
引用
@article{arxiv.2104.03225,
title = {Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images},
author = {Yanwen Li and Luyang Luo and Huangjing Lin and Hao Chen and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:2104.03225},
year = {2021}
}
备注
Accepted to MICCAI2021. The first two authors contributed equally. Code is available at https://github.com/poiuohke/UDC-Net