面向部分监督多器官医学图像分割的标记至未标记分布对齐
计算机视觉与模式识别
2024-09-06 v1
摘要
部分监督的多器官医学图像分割旨在利用多个部分标记的数据集开发一个统一的语义分割模型，其中每个数据集仅提供单类器官的标签。然而，已标记前景器官的有限可用性，以及缺乏区分未标记前景器官与背景的监督信息，构成了重大挑战，导致已标记像素与未标记像素之间出现分布失配。尽管现有的伪标记方法可用于从已标记和未标记像素中学习，但它们在此任务中容易出现性能下降，因为它们依赖于已标记和未标记像素具有相同分布的假设。在本文中，为了解决分布失配问题，我们提出了一个标记至未标记分布对齐（LTUDA）框架，以对齐特征分布并增强判别能力。具体而言，我们引入了一种跨集合数据增强策略，在已标记和未标记器官之间进行区域级混合，以减少分布差异并丰富训练集。此外，我们提出了一种基于原型的分布对齐方法，该方法隐式地减少了类内方差，并增加了未标记前景与背景之间的分离度。这可以通过鼓励两个原型分类器和一个线性分类器的输出之间保持一致性来实现。在 AbdomenCT-1K 数据集和四个基准数据集的合集（包括 LiTS、MSD-Spleen、KiTS 和 NIH82）上的大量实验结果表明，我们的方法以显著优势优于最先进的部分监督方法，甚至超越了全监督方法。源代码公开于 https://github.com/xjiangmed/LTUDA。
引用
@article{arxiv.2409.03228,
title = {Labeled-to-Unlabeled Distribution Alignment for Partially-Supervised Multi-Organ Medical Image Segmentation},
author = {Xixi Jiang and Dong Zhang and Xiang Li and Kangyi Liu and Kwang-Ting Cheng and Xin Yang},
journal= {arXiv preprint arXiv:2409.03228},
year = {2024}
}
备注
Accepted by Medical Image Analysis