面向半监督医学图像分割的不一致性感知不确定性估计
计算机视觉与模式识别
2021-10-19 v1
摘要
在半监督医学图像分割中，以往多数工作依赖于“熵越高则不确定性越大”这一常见假设。本文研究一种估计不确定性的新方法。我们观察到，当在一定程度内赋予不同的误分类代价时，若某像素的分割结果变得不一致，则该像素的分割具有相对不确定性。因此，基于我们的不确定性估计与分离自训练策略，我们提出一种新的半监督分割模型，即保守-激进网络（简称 CoraNet）。具体而言，我们的 CoraNet 模型由三个主要组件构成：保守-激进模块（CRM）、确定区域分割网络（C-SN）以及不确定区域分割网络（UC-SN），它们可以以端到端方式交替训练。我们在多项公开基准数据集的分割任务上广泛评估了我们的方法，包括 CT 胰腺、MR 心内膜以及 ACDC 数据集上的 MR 多结构分割。与当前最优方法相比，我们的 CoraNet 展现出更优性能。此外，我们还分析了其与半监督医学图像分割中常规不确定性估计方法的联系与区别。
引用
@article{arxiv.2110.08762,
title = {Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation},
author = {Yinghuan Shi and Jian Zhang and Tong Ling and Jiwen Lu and Yefeng Zheng and Qian Yu and Lei Qi and Yang Gao},
journal= {arXiv preprint arXiv:2110.08762},
year = {2021}
}
备注
Accepted by IEEE Transactions on Medical Imaging (TMI)