提升伪标签质量用于半监督域泛化医学图像分割
计算机视觉与模式识别
2022-03-18 v2 人工智能
摘要
将医学图像分割算法泛化到未见域是计算机辅助诊断与手术的重要研究课题。现有多数方法在每个源域中都需要完全标注的数据集。尽管一些研究者提出了半监督域泛化方法，其仍需要域标签。本文提出一种新颖的置信度感知交叉伪监督算法，用于半监督域泛化医学图像分割。主要目标是提升来自未知分布的未标注图像的伪标签质量。为此，我们执行傅里叶变换以学习跨域的低层统计信息，并对图像进行增强以融入跨域信息。将这些增强作为扰动，我们将输入送入置信度感知交叉伪监督网络，以度量伪标签的方差，并正则化网络以使用更置信的伪标签进行学习。我们的方法在公开数据集 M&Ms 和 SCGM 上创下新纪录。值得注意的是，在不使用域标签的情况下，我们的方法在 M&Ms 数据集上仅用 2% 标注数据便以 11.67% 的 Dice 系数超越即便使用域标签的先前最优方法。代码见 https://github.com/XMed-Lab/EPL_SemiDG。
引用
@article{arxiv.2201.08657,
title = {Enhancing Pseudo Label Quality for Semi-Supervised Domain-Generalized Medical Image Segmentation},
author = {Huifeng Yao and Xiaowei Hu and Xiaomeng Li},
journal= {arXiv preprint arXiv:2201.08657},
year = {2022}
}
备注
Accepted by AAAI 2022