基于伪标签引导数据增强的双解码器一致性半监督医学图像分割
图像与视频处理
2024-01-19 v3 计算机视觉与模式识别
摘要
尽管监督学习已取得显著成功，但由于成本高昂且需放射科医生耗时标注，在生物医学成像中获取大规模标注数据集往往不切实际。半监督学习通过利用未标注数据集中的有用信息，成为克服此限制的有效策略。本文提出一种新颖的半监督学习方法——基于伪标签引导数据增强的双解码器一致性（DCPA），用于医学图像分割。我们设计了一种一致性正则化，以在训练过程中促进一致的表征。具体而言，我们对学生网络和教师网络使用不同的解码器，同时保持相同的编码器。此外，为从未标注数据中学习，我们利用教师网络生成的伪标签，并用伪标签增强训练数据。两种技术均有助于提升所提方法的性能。该方法在三个具代表性的医学图像分割数据集上进行了评估。在典型场景（使用 10% 和 20% 标注数据）以及仅 5% 标注数据的极端场景下，与最先进的半监督医学图像分割方法进行了全面比较。实验结果一致表明，我们的方法在三种半监督设置下均优于其他方法。源代码公开于 https://github.com/BinYCn/DCPA.git。
引用
@article{arxiv.2308.16573,
title = {Dual-Decoder Consistency via Pseudo-Labels Guided Data Augmentation for Semi-Supervised Medical Image Segmentation},
author = {Yuanbin Chen and Tao Wang and Hui Tang and Longxuan Zhao and Ruige Zong and Shun Chen and Tao Tan and Xinlin Zhang and Tong Tong},
journal= {arXiv preprint arXiv:2308.16573},
year = {2024}
}