面向半监督医学图像分割的平滑性与类间分离探索
图像与视频处理
2022-06-29 v3 计算机视觉与模式识别
摘要
半监督分割在医学影像中仍具挑战性，因为标注医学数据通常稀缺，且在粘连边缘附近或低对比度区域存在许多模糊像素。为解决这些问题，我们主张首先约束带强扰动与不带强扰动像素的一致性以施加充分的平滑性约束，并进一步鼓励类级分离以利用低熵正则化进行模型训练。特别地，本文中我们提出 SS-Net 用于半监督医学图像分割任务，同时探索像素级平滑性与类间分离。像素级平滑性迫使模型在对抗扰动下生成不变结果。同时，类间分离鼓励各个类特征逼近其对应的高质量原型，以使每个类分布紧凑并分离不同类。我们在公开 LA 与 ACDC 数据集上将 SS-Net 与五种近期方法比较。两种半监督设定下的广泛实验结果表明我们提出的 SS-Net 模型的优越性，在两个数据集上均达到新的 state-of-the-art (SOTA) 性能。代码见 https://github.com/ycwu1997/SS-Net。
引用
@article{arxiv.2203.01324,
title = {Exploring Smoothness and Class-Separation for Semi-supervised Medical Image Segmentation},
author = {Yicheng Wu and Zhonghua Wu and Qianyi Wu and Zongyuan Ge and Jianfei Cai},
journal= {arXiv preprint arXiv:2203.01324},
year = {2022}
}
备注
Accepted by MICCAI 2022