Dual-Teacher：整合域内与域间教师以实现标注高效的心脏分割
计算机视觉与模式识别
2020-07-14 v1
摘要
医学图像标注耗时且昂贵得令人却步。为缓解标注稀缺，已开发许多方法以高效利用额外信息，例如半监督学习进一步挖掘大量无标签数据，域适应（包括多模态学习和无监督域适应）借助额外模态的先验知识。本文旨在研究同时利用丰富无标签数据和成熟的跨模态数据以实现标注高效医学图像分割的可行性。为此，我们提出一种新颖的半监督域适应方法，即 Dual-Teacher，其中学生模型不仅从有标签目标数据（如 CT）学习，还通过两个教师模型探索无标签目标数据和有标签源数据（如 MR）。具体而言，学生模型通过鼓励预测一致性从域内教师学习无标签目标数据的知识，并通过知识蒸馏从域间教师学习有标签源数据中嵌入的形状先验。因此，学生模型能有效利用全部三种数据资源的信息并综合集成以取得改进性能。我们在 MM-WHS 2017 数据集上进行了大量实验，表明我们的方法能够同时利用无标签数据和跨模态数据并取得优越性能，大幅优于半监督学习和域适应方法。
引用
@article{arxiv.2007.06279,
title = {Dual-Teacher: Integrating Intra-domain and Inter-domain Teachers for Annotation-efficient Cardiac Segmentation},
author = {Kang Li and Shujun Wang and Lequan Yu and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:2007.06279},
year = {2020}
}
备注
Accepted at MICCAI 2020