用于腹部器官与肿瘤分割的迭代半监督学习
图像与视频处理
2023-10-03 v1 计算机视觉与模式识别
机器学习
摘要
基于深度学习（DL）的方法在 CT 扫描中腹部器官与肿瘤分割任务中发挥着重要作用。然而，对标注数据集的大量需求严重限制了其发展。FLARE23 挑战赛提供了一个兼具部分与完全标注数据的大规模数据集，并同时关注分割精度与计算效率。在本研究中，我们提出使用半监督学习（SSL）与迭代伪标签策略应对 FLARE23。最初，在具有完整器官标注的数据集（约 220 个扫描）上训练的深度模型（nn-UNet）为整个数据集生成伪标签。这些伪标签随后被用于训练一个更强大的分割模型。采用 FLARE23 数据集，我们的方法在线上验证排行榜上对器官取得平均 DSC 分数 89.63%，对肿瘤取得 46.07%。对于器官分割，我们获得 0.9007\% DSC 与 0.9493\% NSD。对于肿瘤分割，我们获得 0.3785% DSC 与 0.2842% NSD。我们的代码可在 https://github.com/USTguy/Flare23 获取。
引用
@article{arxiv.2310.01159,
title = {Iterative Semi-Supervised Learning for Abdominal Organs and Tumor Segmentation},
author = {Jiaxin Zhuang and Luyang Luo and Zhixuan Chen and Linshan Wu},
journal= {arXiv preprint arXiv:2310.01159},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2309.05405