用于肺栓塞标注的特征增强对抗半监督语义分割网络
图像与视频处理
2022-04-12 v1 人工智能
计算机视觉与模式识别
摘要
本研究建立了一种特征增强对抗半监督语义分割模型，用于自动标注计算机断层扫描肺动脉造影（CTPA）图像中的肺栓塞病灶区域。在当前研究中，所有肺栓塞 CTPA 图像分割方法均通过监督学习进行训练。然而，当 CTPA 图像来自不同医院时，监督学习模型需要重新训练，图像也需要重新标注。本研究提出一种半监督学习方法，通过加入少量无标注图像使模型适用于不同数据集。通过同时使用有标注和无标注图像训练模型，可提高无标注图像的精度并降低标注成本。我们的半监督分割模型包括一个分割网络和一个判别网络。我们将分割网络编码器生成的特征信息加入判别器，使其学习预测掩码与真实掩码之间的相似性。这种基于 HRNet 的架构能够保持较高的卷积操作分辨率，从而改善对小肺栓塞病灶区域的预测。我们使用有标注的开源数据集和无标注的国立成功大学医院（NCKUH）（IRB 编号：B-ER-108-380）数据集训练半监督学习模型，在 NCKUH 数据集上所得的平均交并比（mIOU）、Dice 分数和灵敏度分别为 0.3510、0.4854 和 0.4253。随后，我们使用来自中国医药大学医院（CMUH）（IRB 编号：CMUH110-REC3-173）数据集的少量无标注肺栓塞 CTPA 图像对模型进行微调与测试。将我们的半监督模型与监督模型的结果进行比较，mIOU、Dice 分数和灵敏度分别从 0.2344、0.3325 和 0.3151 提升至 0.3721、0.5113 和 0.4967。
引用
@article{arxiv.2204.04217,
title = {Feature-enhanced Adversarial Semi-supervised Semantic Segmentation Network for Pulmonary Embolism Annotation},
author = {Ting-Wei Cheng and Jerry Chang and Ching-Chun Huang and Chin Kuo and Yun-Chien Cheng},
journal= {arXiv preprint arXiv:2204.04217},
year = {2022}
}