面向半监督医学图像分割的双任务互学习
图像与视频处理
2021-07-13 v2 计算机视觉与模式识别
摘要
深度学习方法在医学图像分割任务中的成功通常需要大量标注数据。然而，获取可靠标注昂贵且耗时。半监督学习因可利用更易获取的未标注数据，在医学图像分割中备受关注。本文提出一种新颖的双任务互学习框架用于半监督医学图像分割。我们的框架可表述为基于两项任务的两种独立分割网络的集成：学习基于区域的形状约束与学习基于边界的表面失配。不同于教师与学生网络间的单向迁移，双任务学生集成可在训练过程中协作学习并隐式相互探索有用知识。通过联合学习目标的概率分割图与有符号距离图，我们的框架可强化几何形状约束并学习更可靠的信息。实验结果表明，我们的方法通过利用未标注数据取得性能提升，并优于 state-of-the-art 半监督分割方法。
引用
@article{arxiv.2103.04708,
title = {Dual-Task Mutual Learning for Semi-Supervised Medical Image Segmentation},
author = {Yichi Zhang and Jicong Zhang},
journal= {arXiv preprint arXiv:2103.04708},
year = {2021}
}
备注
Accepted for PRCV 2021