FBA-Net：面向半监督心房分割的前景与背景感知对比学习
计算机视觉与模式识别
2023-06-28 v1
摘要
钆增强磁共振成像（GE MRI）的医学图像分割是临床应用中的一项重要任务。然而，人工标注耗时且需要专业知识。利用有标签与无标签数据的半监督分割方法已展现出前景，其中对比学习成为一种特别有效的途径。本文提出一种用于半监督三维医学图像分割的前景与背景表征对比学习策略（FBA-Net）。具体而言，我们利用对比损失来学习图像中前景与背景区域的表征。通过训练网络区分前景-背景对，我们旨在学习一种能够有效捕捉感兴趣解剖结构的表征。在三个医学分割数据集上的实验表明该方法达到了最先进的性能。值得注意的是，我们的方法仅使用 20% 的有标签数据便取得了 91.31% 的 Dice 分数，这与使用 100% 有标签数据的全监督方法在左心房数据集上取得的 91.62% 分数极为接近。我们的框架有潜力推动半监督三维医学图像分割领域的发展，并在标注标签有限的情况下实现更高效、更准确的医学图像分析。
引用
@article{arxiv.2306.15189,
title = {FBA-Net: Foreground and Background Aware Contrastive Learning for Semi-Supervised Atrium Segmentation},
author = {Yunsung Chung and Chanho Lim and Chao Huang and Nassir Marrouche and Jihun Hamm},
journal= {arXiv preprint arXiv:2306.15189},
year = {2023}
}
备注
11 pages, 2 figures