基于不确定性校正金字塔一致性的高效半监督鼻咽癌大体肿瘤靶区分割
计算机视觉与模式识别
2021-06-07 v4
摘要
大体肿瘤靶区(Gross Target Volume, GTV)分割在鼻咽癌(Nasopharyngeal Carcinoma, NPC)放疗规划中起着不可替代的作用。尽管卷积神经网络(Convolutional Neural Networks, CNN)已在该任务上取得良好性能,但它们依赖大量标注图像进行训练,而获取这些图像昂贵且耗时。本文提出一种带有不确定性校正金字塔一致性(Uncertainty Rectified Pyramid Consistency, URPC)正则化的新颖框架,用于半监督NPC GTV分割。具体而言,我们将骨干分割网络扩展以在不同尺度上产生金字塔预测。该金字塔预测网络(PPNet)由标注图像的ground truth和多尺度一致性损失(用于未标注图像)共同监督,其动机在于同一输入在不同尺度上的预测应相似且一致。然而,由于这些预测分辨率不同,直接逐像素鼓励一致性的鲁棒性较低且可能丢失精细细节。为解决该问题,我们进一步设计了一种新颖的不确定性校正模块,使框架能够逐步从不同尺度上有意义且可靠的共识区域中学习。在包含258张NPC MR图像的数据集上的实验表明,仅使用10%或20%图像标注时,我们的方法通过利用未标注图像大幅提升了分割性能,并且优于五种最先进的半监督分割方法。此外,当仅50%图像标注时,URPC取得了82.74%的平均Dice分数,接近全监督学习。
引用
@article{arxiv.2012.07042,
title = {Efficient Semi-Supervised Gross Target Volume of Nasopharyngeal Carcinoma Segmentation via Uncertainty Rectified Pyramid Consistency},
author = {Xiangde Luo and Wenjun Liao and Jieneng Chen and Tao Song and Yinan Chen and Shichuan Zhang and Nianyong Chen and Guotai Wang and Shaoting Zhang},
journal= {arXiv preprint arXiv:2012.07042},
year = {2021}
}
备注
13 pages, provisional accept by MICCAI2021,code at:https://github.com/HiLab-git/SSL4MIS